Modeling the thermal behavior of geothermal systems at Mount Meager, Southwestern Canada, using artificial neural networks and audio-magnetotellurics
Notice bibliographique
Résumé
ABSTRACT Precise modeling of subsurface temperatures is crucial for a comprehensive understanding and the exploitation of geothermal reservoirs. An artificial neural network method is used to estimate the subsurface temperature by analyzing 3D resistivity models derived from audio-magnetotelluric data and temperature logs from the Mount Meager Volcanic Complex (MMVC), southwestern British Columbia, Canada. A multilayer perceptron algorithm is used to capture the complexity of the data and estimate the subsurface temperature to a depth of 3 km. The model is trained on 70% of the 1160 data points, validated using the remaining 30%, and fine tuned based on data and error analysis. Subsequently, it is tested on three temperature logs that are not part of the training process, to ensure the robustness and reliability of the model predictions. The final model achieved a root mean square (rms) of 13.1°C (5% error) and an R2 value of 0.97 when estimating the subsurface temperature using the training data set, which is much more promising than using conventional analytical models that indicate an rms of 61%. The 3D temperature model of the MMVC is correlated with the available geologic data. This methodology offers a cost effective and noninvasive alternative for the thermal characterization of potential geothermal reserves, providing a powerful tool for resource development.
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 ».