Reliable and efficient magnetic data inversion for resource detection using a hybrid bat algorithm
Notice bibliographique
Résumé
Accurate estimation of subsurface parameters is a critical objective in geophysical exploration. This study introduces an innovative hybrid algorithm integrating the Bat Algorithm (BA) with the Fourth Horizontal Gradient (FHG) to optimize the estimation of geometric parameters (depth, amplitude coefficient, shape factor, source origin, and magnetization angle) from magnetic field data. The FHG enhances the resolution of magnetic anomalies by mitigating regional field effects, while the BA efficiently navigates the parameter space to accurately delineate subsurface structures modeled as simplified geometric. This approach prioritize geometric parameters to define the spatial configuration of magnetic sources, assuming constant petrophysical properties (e.g., magnetization intensity, susceptibility contrast) to simplify the inversion process. The algorithm's robustness and effectiveness were extensively evaluated using synthetic magnetic datasets under both noise-free and with 10% Gaussian noise conditions. The findings demonstrate the method's capability to achieve accurate parameter estimation even in noisy environments. The proposed approach was further assessed using real magnetic profile data acquired from the Faro Mine Complex in Yukon, Canada. The estimated subsurface parameters closely match with well data and prior studies, emphasizing the algorithm's practical effectiveness. This integrated approach significantly advances the interpretation of magnetic datasets by improving both the accuracy and resolution of subsurface parameters estimation within the framework of idealized geometric models.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».