Kriging-based surrogate models for convergence acceleration of Markov chains: An example of magnetotellurics-dix joint inversion
Notice bibliographique
Résumé
A probabilistic model is presented to jointly invert magnetotelluric data and root mean square (RMS) velocities using a reduced model space based on kriging surrogates. Under the assumption that the resistivity and velocity models are smooth fields that a Gaussian process can represent, we select a reduced representation of the original model space to perform Bayesian inference. The surrogate models were later used to perform probabilistic joint inversion using a petrophysical constraint. The petrophysical constraint corresponds to a Multivariate Normal Distribution based on Faust’s equation built using uncertainty propagation. It allows the creation of a Markov Chain from a reduced model space, where the velocity-resistivity covariance is depth-dependent. The model fields reconstructed with kriging are generally smooth. Therefore, the required burn-in to go from the initial model to smooth models is significantly reduced, which helps reach a stationary chain with fewer iterations. The posterior sampling is done based on the Metropolis-Hastings rule. A synthetic example that exhibits a hidden resistive layer is chosen to test the workflow. Models extracted from the posterior explain the observed data within the expected tolerance levels while also satisfying the selected petrophysical coupling function. The results are encouraging since they show that a reduced representation of the model space can be used to effectively explore complex posterior probability distributions to solve multiphysics problems that are highly non-unique.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».