Tuning up global optimization techniques to solve the reliability problem in nonlinear geophysical inversions
Bibliographic record
Abstract
La inversión de datos geofísicos es un proceso que implica la solución de un problema no-lineal, que usualmente esta mal puesto y demanda un elevado costo computacional. Es por ello, que en el estado del arte se han desarrollado diferentes técnicas para tratar de resolver este problema. En este trabajo doctoral, se propone una metodología novedosa en la que el proceso de inversión de datos geofísicos se aborda desde el punto de vista de la optimización; usando una técnica de optimización global (optimización por enjambre de partículas, PSO por su nombre en ingles) en conjunto con una técnica de optimización local (inversión de onda completa, FWI por su nombre en ingles) para tratar de resolver el problema. Además, se propone el uso de la transformada de Hilbert en conjunto con la matriz Hessiana para identificar la calidad de los resultados. La metodología propuesta utiliza arquitecturas de cómputo en paralelo (unidades de procesamiento gráfico, GPU por su nombre en ingles) para reducir el costo computacional de las tres etapas formuladas. La validación de la metodología se hace a través del uso de cuatro modelos geológicos sintéticos de prueba, los cuales se pueden considerar como complejos debido a que contienen variaciones laterales y verticales de velocidad, zonas de falla e intrusiones de alta velocidad (IAV). Los modelos elegidos son: el Marmousi, Canadian foothills, Hess y BP. La metodología propuesta en esta tesis doctoral prueba que es posible usar PSO en conjunto con la FWI para obtener resultados muy buenos en modelos geológicos con IAV menores o iguales al 6% del area de interés presentando dificultades para IAV mayores al 20%. Además, la información ofrecida por la transformada de Hilbert permitió identificar cuando el proceso de inversión estaba avanzando correcta o incorrectamente.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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".