Ground-truth-calibrated onshore and offshore subsurface infrastructure image from deep-learning-based 3D inversion of magnetic data
Notice bibliographique
Résumé
Abstract In this study, we demonstrate the application of deep-learning-based 3D inversion of magnetic data to image subsurface infrastructure. We highlight results from two case studies: an onshore survey at Texas A&M University's Rellis Campus site and an offshore survey in the northern Gulf of Mexico (GOM), off the coast of Louisiana. The onshore case utilized drone-acquired magnetic data to map buried utilities before construction. The offshore case employed a boat-towed magnetometer approximately 3.5 m above the seafloor to locate oil well conductors disrupted by Hurricane Ivan in 2004 and presently buried under 35 to 45 m of sediment. The inversion results at the Rellis site were validated against excavation data, revealing strong agreement in target location and depth (within 17 cm). In the GOM survey, the artificial intelligence (AI)-driven inversion successfully extended conductor imaging beyond the limits of acoustic methods, providing critical information on conductor geometry near the well conductor bay. This work highlights the effectiveness of AI-driven inversion techniques in enhancing subsurface imaging, offering cost-effective and scalable solutions for applications in utility mapping, environmental monitoring, and hazard assessment. The results demonstrate that AI-based workflows can be adapted to various geophysical settings, providing new opportunities for high-resolution imaging of complex subsurface features in onshore and offshore environments.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».