Mapeamento geológico utilizando a relação de Poisson entre os campos gravimétricos e magnetométricos
Bibliographic record
Abstract
Brasileira de Geofísica Este texto foi preparado para a apresentação no VIII Simpósio Brasileiro de Geofísica, Salinópolis, 18 a 20 de setembro de 2018.Seu conteúdo foi revisado pelo Comitê Técnico do VIII SimBGf, mas não necessariamente representa a opinião da SBGf ou de seus associados.É proibida a reprodução total ou parcial deste material para propósitos comerciais sem prévia autorização da SBGf.____________________________________________________________________ Resumo Desenvolvemos um método de interpretação automática para o mapeamento geológico utilizando a Relação de Poisson entre os campos gravimétricos e magnetométricos.Presumimos que diferentes unidades geológicas apresentam diferentes propriedades físicas, e que a estimação destas propriedades, bem como a da Razão de Poisson, permite mapeá-las.Para mapearmos a Razão de Poisson realizamos a filtragem transformando os campos e a inversão estimando as prioridades físicas sempre no domínio do espaço.Nas inversões, utilizamos os funcionais regularizadores: Suavidade Global e Variação Total.Aplicamos estes procedimentos a um conjunto de dados sintéticos e a metodologia mostrou-se efetiva para o mapeamento de unidades geológicas.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.005 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".