Buchumschlag

Predicting the Geothermal Gradient in Colombia: a Machine Learning Approach

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mejía-Fragoso, Juan Camilo, Florez, Manuel A., Bernal-Olaya, Rocío
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Geophysics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Machine Learning Algorithms for Transplanting Accelerometer Observations in Future Satellite Gravimetry Missions
von: Romeshkani, Mohsen, et al.
Veröffentlicht: (2025)

An Unsupervised Machine Learning Approach for Ground-Motion Spectra Clustering and Selection
von: Bond, R. Bailey, et al.
Veröffentlicht: (2022)

A Test-Time Learning Approach to Reparameterize the Geophysical Inverse Problem with a Convolutional Neural Network
von: Xu, Anran, et al.
Veröffentlicht: (2023)

Extrapolability Improvement of Machine Learning-Based Evapotranspiration Models via Domain-Adversarial Neural Networks
von: Shi, Haiyang
Veröffentlicht: (2024)

Machine learning enhanced data assimilation framework for multiscale carbonate rock characterization
von: Bo, Zhenkai, et al.
Veröffentlicht: (2026)

Scientific Machine Learning Seismology
von: Okazaki, Tomohisa
Veröffentlicht: (2024)

Physics-Informed Neural Networks for Predicting Hydrogen Sorption in Geological Formations: Thermodynamically Constrained Deep Learning Integrating Classical Adsorption Theory
von: Nooraiepour, Mohammad, et al.
Veröffentlicht: (2026)

Flood Prediction Using Classical and Quantum Machine Learning Models
von: Grzesiak, Marek, et al.
Veröffentlicht: (2024)

Machine learning surrogates for efficient hydrologic modeling: Insights from stochastic simulations of managed aquifer recharge
von: Dai, Timothy, et al.
Veröffentlicht: (2024)

Approaches for enhancing extrapolability in process-based and data-driven models in hydrology
von: Shi, Haiyang
Veröffentlicht: (2024)

Turkey's Earthquakes: Damage Prediction and Feature Significance Using A Multivariate Analysis
von: Shah, Shrey, et al.
Veröffentlicht: (2024)

Multi-Model Ensemble and Reservoir Computing for River Discharge Prediction in Ungauged Basins
von: Funato, Mizuki, et al.
Veröffentlicht: (2025)

Fourier Neural Operator Surrogate Model to Predict 3D Seismic Waves Propagation
von: Lehmann, Fanny, et al.
Veröffentlicht: (2023)

An End-to-End Differentiable, Graph Neural Network-Embedded Pore Network Model for Permeability Prediction
von: Zhao, Qingqi, et al.
Veröffentlicht: (2025)

Performance of Machine Learning Methods for Gravity Inversion: Successes and Challenges
von: Negahdari, Vahid, et al.
Veröffentlicht: (2025)

Iterative Encoding-Decoding VAEs Anomaly Detection in NOAA's DART Time Series: A Machine Learning Approach for Enhancing Data Integrity for NASA's GRACE-FO Verification and Validation
von: Lee, Kevin
Veröffentlicht: (2024)

Groningen: Spatial Prediction of Rock Gas Saturation by Leveraging Selected and Augmented Well and Seismic Data with Classifier Ensembles
von: Ivlev, Dmitry
Veröffentlicht: (2024)

Parameter-Efficient Transfer Learning for Microseismic Phase Picking Using a Neural Operator
von: Abdullin, Ayrat, et al.
Veröffentlicht: (2025)

Enhanced 3D Gravity Inversion Using ResU-Net with Density Logging Constraints: A Dual-Phase Training Approach
von: Dong, Siyuan, et al.
Veröffentlicht: (2026)

Seismic Traveltime Tomography with Label-free Learning
von: Wang, Feng, et al.
Veröffentlicht: (2024)

Reconstructing Historical Climate Fields With Deep Learning
von: Bochow, Nils, et al.
Veröffentlicht: (2023)

Enforcing Reciprocity in Operator Learning for Seismic Wave Propagation
von: Zou, Caifeng, et al.
Veröffentlicht: (2026)

Learning Generative Models for Lumped Rainfall-Runoff Modeling
von: Yang, Yang, et al.
Veröffentlicht: (2023)

Deep Learning Forecasts Caldera Collapse Events at Kilauea Volcano
von: McBrearty, Ian W., et al.
Veröffentlicht: (2024)

A Critical Assessment of PINNs and Operator Learning for Geotechnical Engineering
von: Kumar, Krishna
Veröffentlicht: (2025)

Operator Learning for Consolidation: An Architectural Comparison for DeepONet Variants
von: Choi, Yongjin, et al.
Veröffentlicht: (2025)

Initial Model Incorporation for Deep Learning FWI: Pretraining or Denormalization?
von: Chen, Ruihua, et al.
Veröffentlicht: (2025)

Uncertainties of Satellite-based Essential Climate Variables from Deep Learning
von: Gou, Junyang, et al.
Veröffentlicht: (2024)

GreenPhase: A Green Learning Approach for Earthquake Phase Picking
von: Wu, Yixing, et al.
Veröffentlicht: (2026)

Optimal Sequential Decision-Making in Geosteering: A Reinforcement Learning Approach
von: Muhammad, Ressi Bonti, et al.
Veröffentlicht: (2023)

Physics-Driven Self-Supervised Deep Learning for Free-Surface Multiple Elimination
von: Sun, Jing, et al.
Veröffentlicht: (2025)

Time Series Foundation Models and Deep Learning Architectures for Earthquake Temporal and Spatial Nowcasting
von: Jafari, Alireza, et al.
Veröffentlicht: (2024)

Deep Learning-Driven Downscaling for Climate Risk Assessment of Projected Temperature Extremes in the Nordic Region
von: Loganathan, Parthiban, et al.
Veröffentlicht: (2025)

SeisRDT: Latent Diffusion Model Based On Representation Learning For Seismic Data Interpolation And Reconstruction
von: Wang, Shuang, et al.
Veröffentlicht: (2025)

Bayesian Event Categorization Matrix Approach for Explosion Monitoring
von: Koermer, Scott, et al.
Veröffentlicht: (2024)

WaveCastNet: Rapid Wavefield Forecasting for Earthquake Early Warning via Deep Sequence to Sequence Learning
von: Lyu, Dongwei, et al.
Veröffentlicht: (2024)

Deep Learning Framework for History Matching CO2 Storage with 4D Seismic and Monitoring Well Data
von: Wang, Nanzhe, et al.
Veröffentlicht: (2024)

PreAdaptFWI: Pretrained-Based Adaptive Residual Learning for Full-Waveform Inversion Without Dataset Dependency
von: Dong, Xintong, et al.
Veröffentlicht: (2025)

A Novel Deep Learning Approach for Emulating Computationally Expensive Postfire Debris Flows
von: Patel, Palak, et al.
Veröffentlicht: (2025)

Machine Learning Aided Modeling of Granular Materials: A Review
von: Wang, Mengqi, et al.
Veröffentlicht: (2024)