Hydraulic tomography using temporal moments of drawdown recovery data: A laboratory sandbox study
Notice bibliographique
Résumé
Hydraulic tomography (HT) is a new technology that images the hydraulic heterogeneity of the subsurface. Unlike steady state hydraulic tomography (SSHT), which provides a hydraulic conductivity ( K ) tomogram, transient hydraulic tomography (THT) provides reliable tomograms of both K and specific storage ( S s ). Effective as it may be, THT is a computationally demanding technique. To ease the computational burden, a HT which utilizes zeroth and first temporal moments of transient drawdown recovery data (HT‐m) has been developed by Zhu and Yeh (2006). This procedure simplifies the governing equation from a single parabolic equation to two Poisson's equations for the zeroth moment and characteristic time defined as the ratio between the first and zeroth moments. The approach was previously tested using synthetic simulations. The numerical experiments tested the feasibility of HT‐m under ideal conditions, where measurements and model are assumed to be free of error. In this paper, we further evaluate the performance of HT‐m using cross‐hole pumping tests conducted in a heterogeneous, synthetic aquifer constructed in a laboratory sandbox in more realistic situations, where the data used in the inversion are not free of experimental errors. Unlike field tests, the laboratory tests were conducted in a synthetic aquifer created with a prescribed heterogeneity pattern and all forcing functions (initial and boundary conditions and source‐sink terms) controlled. Results from the HT‐m approach were compared to those from THT previously conducted by Liu et al. (2007). Our results show that the estimation of the K tomogram using the HT‐m approach is reasonable, but the estimation of the S s tomogram is unreliable in comparison to the THT approach.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».