Capturing aquifer heterogeneity: Comparison of approaches through controlled sandbox experiments
Notice bibliographique
Résumé
Groundwater modeling has become a vital component to water supply and contaminant transport investigations. These models require representative hydraulic conductivity ( K ) and specific storage ( S s ) estimates, or a set of estimates representing subsurface heterogeneity. Currently, there are a number of approaches for characterizing and modeling K and S s heterogeneity in varying degrees of detail, but there is a lack of consensus for an approach that results in the most robust groundwater models with the best predictive ability. The main goal of this study is to compare different heterogeneity modeling approaches (e.g., effective parameters, geostatistics, geological models, and hydraulic tomography) when input into a forward groundwater model and used to predict 16 independent cross‐hole pumping tests. We first characterize a sandbox aquifer through single‐ and cross‐hole pumping tests, and then use these data to construct forward groundwater models of various complexities (both homogeneous and heterogeneous distributions). Two effective parameter models are constructed: (1) by taking the geometric mean of single‐hole test K and S s estimates and (2) calibrating effective K and S s estimates by simultaneously matching the response at all ports during a cross‐hole test. Heterogeneous models consist of spatially variable K and S s fields obtained via (1) kriging single‐hole data; (2) calibrating a geological model; and (3) conducting transient hydraulic tomography (Zhu and Yeh, 2005). The performance of these parameter fields are then tested through the simulation of 16 independent cross‐hole pumping tests. Our results convincingly show that transient hydraulic tomography produces the smallest discrepancy between observed and simulated drawdowns.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».