Buchumschlag

Machine learning potential for serpentines

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Hongjin, Luo, Chenxing, Wentzcovitch, Renata
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Geophysics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Probing the state of hydrogen in $δ$-AlOOH at mantle conditions with machine learning potential
von: Luo, Chenxing, et al.
Veröffentlicht: (2023)

Elasticity and acoustic velocities of $δ$-AlOOH at extreme conditions: a methodology assessment
von: Luo, Chenxing, et al.
Veröffentlicht: (2024)

Deep-learning-based prediction of the tetragonal$\rightarrow$cubic transition in davemaoite
von: Wu, Fulun, et al.
Veröffentlicht: (2024)

PBE-GGA Predicts the B8$\leftrightarrow$B2 Phase Boundary of FeO at Earth's Core Conditions
von: Zhang, Zhen, et al.
Veröffentlicht: (2022)

Understanding the two-step nucleation of iron at Earth's inner core conditions: a comparative molecular dynamics study
von: Gao, Chen, et al.
Veröffentlicht: (2025)

Melting Temperature of Iron Under the Earth's Inner Core Condition from Deep Machine Learning
von: Wu, Fulun, et al.
Veröffentlicht: (2024)

The Fe-Ni phase diagram and the Earth's inner core structure
von: Wei, Liangrui, et al.
Veröffentlicht: (2025)

A quiet quantum revolution in Earth's deep interior
von: Wentzcovitch, Renata, et al.
Veröffentlicht: (2026)

Assessing foundational atomistic models for iron alloys under Earth's core conditions
von: Wan, Tianqi, et al.
Veröffentlicht: (2026)

Tetragonal Fe2O: the stable iron oxide at Earth's core conditions
von: Jiang, Junjie, et al.
Veröffentlicht: (2025)

Ab initio superionic-liquid phase diagram of Fe1-xOx under Earth's inner core conditions
von: Wu, Zepeng, et al.
Veröffentlicht: (2024)

Radial gradient of superionic hydrogen in Earth's inner core
von: Wu, Zepeng, et al.
Veröffentlicht: (2026)

Unveiling the effect of Ni on the formation and structure of Earth's inner core
von: Sun, Yang, et al.
Veröffentlicht: (2023)

Hydrogen diffusion in the lower mantle revealed by machine learning potentials
von: Peng, Yihang, et al.
Veröffentlicht: (2023)

Machine-learned global glacier ice volumes
von: Maffezzoli, N., et al.
Veröffentlicht: (2025)

Machine learning-based upscaling of rock permeability from pore scale to core scale: effect of training dataset size and sub-core volumes
von: Guo, Yaotian, et al.
Veröffentlicht: (2025)

Machine learning determines the Mg2SiO4 P-T phase diagram
von: Zhou, Siyu, et al.
Veröffentlicht: (2026)

Meta-learning-enhanced implicit full waveform inversion
von: Wang, Zefeng, et al.
Veröffentlicht: (2026)

Haicheng and Tangshan Earthquakes as potential Dragon-Kings
von: Li, Jiawei, et al.
Veröffentlicht: (2025)

A self-supervised learning framework for seismic low-frequency extrapolation
von: Cheng, Shijun, et al.
Veröffentlicht: (2024)

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

A Sampling Strategy Benchmark for Machine-Learning-Based Seismic Liquefaction Prediction
von: Hu, Jilei, et al.
Veröffentlicht: (2025)

California Earthquake Dataset for Machine Learning and Cloud Computing
von: Zhu, Weiqiang, et al.
Veröffentlicht: (2025)

Melting phase relation of seifertite and pyrite-type SiO2 determined by machine learning potentials
von: Park, Doyoon, et al.
Veröffentlicht: (2025)

Exploration of the deep geothermal potential of Petite-Terre Island in Mayotte
von: Dezayes, Chrystel
Veröffentlicht: (2024)

Advancing resistivity-chargeability modeling for complex subsurface characterization using machine learning and deep learning
von: Akingboye, Adedibu Sunny, et al.
Veröffentlicht: (2025)

Identifying potentially induced seismicity and assessing statistical significance in Oklahoma and California
von: McClure, Mark, et al.
Veröffentlicht: (2016)

Deep learning for flash drought forecasting and interpretation
von: Zhao, Qian, et al.
Veröffentlicht: (2025)

Deep learning velocity filtering for seismic data
von: Li, Xiaobin, et al.
Veröffentlicht: (2025)

Earthquake Declustering Using Supervised Machine Learning
von: Shcherbakov, Robert, et al.
Veröffentlicht: (2025)

Implementation of Machine Learning Algorithms for Seismic Events Classification
von: Kassa, Alemayehu Belay, et al.
Veröffentlicht: (2025)

Pervasive Label Errors in Seismological Machine Learning Datasets
von: Suarez, Albert Leonardo Aguilar, et al.
Veröffentlicht: (2025)

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

The upper mantle of Europe and Western Asia: Exposing potentials and limits of regional full-waveform inversion
von: Schiller, C. J., et al.
Veröffentlicht: (2026)

Slip-tendency analysis of a potential CO2 storage site in the central German North Sea
von: Aji, Hendrawan D. B., et al.
Veröffentlicht: (2025)

DeFault: Deep-learning-based Fault Delineation Using the IBDP Passive Seismic Data at the Decatur CO2 Storage Site
von: Wang, Hanchen, et al.
Veröffentlicht: (2023)

Meta-PINN: Meta learning for improved neural network wavefield solutions
von: Cheng, Shijun, et al.
Veröffentlicht: (2024)

FaultSSL: Seismic Fault Detection via Semi-supervised learning
von: Dou, Yimin, et al.
Veröffentlicht: (2023)

Generative deep learning improves reconstruction of global historical climate records
von: Qian, Zhen, et al.
Veröffentlicht: (2026)

Physics-informed deep learning links geodetic data and fault friction
von: Fukushima, Rikuto, et al.
Veröffentlicht: (2026)