Modelado en inversión en 2D y 3D de anomalías gravimétricas producidas por cuerpos cuya geometría y densidad de masa se describen utilizando funciones polinómicas : aplicaciones a datos gravimétricos de Canadá y México
Bibliographic record
Abstract
En esta Tesis se presenta un nuevo método de modelado directo e inversion de anomalias gravimetricas en 2D y 3D. En concreto, se abordan problemas en los que la geometria de los cuerpos y/o su contraste de densidad se pueden expresar matematicamente como funciones continuas de varias variables. En particular, se presentan modelos en los que dichas funciones son polinómicos. Hay que señalar que tipo de modelos son de especial interés en los estudios gravimetricos de cuencas sedimentarias. Para comprobar la eficacia del método de inversión desarrollado, se realizan estudios de sensibilidad, unicidad, estabilidad, resolución, vocarianza y correlacion con datos gravimetricos generados sintéticamente a partir de modelos de estructura y contraste de densidad conocidos. Para cada tipo de modelo se realizan estos estudios utilizando conjuntos de datos libres de ruido y a conjuntos de datos contaminados con ruido aleatorio. Por último, se aplica el método de modelado e inversion, desarrollado en esta Tesis, a datos gravimétricos del glaciar Salmon, situado en la costa occidental de Canada, y a la cuenca sdeimentaria Laguna Salada, situada en el noroeste de Mexico. Como resultado de esta aplicación se han obtenido tanto la geometria como la distribución de masa de dichas estructuras
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".