Probabilistic identification of underground soil stratification using cone penetration tests
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper develops Bayesian approaches for underground soil stratum identification and soil classification using cone penetration tests (CPTs). The uncertainty in the CPT-based soil classification using the Robertson chart is modeled explicitly in the Bayesian approaches, and the probability that the soil belongs to one of the nine soil types in the Robertson chart based on a set of CPT data is formulated using the maximum entropy principle. The proposed Bayesian approaches contain two major components: a Bayesian model class selection approach to identify the most probable number of underground soil layers and a Bayesian system identification approach to simultaneously estimate the most probable layer thicknesses and classify the soil types. Equations are derived for the Bayesian approaches, and the proposed approaches are illustrated using a real-life CPT performed at the National Geotechnical Experimentation Site (NGES) at Texas A&M University, USA. It has been shown that the proposed approaches properly identify the underground soil stratification and classify the soil type of each layer. In addition, as the number of model classes increases, the Bayesian model class selection approach identifies the soil layers progressively, starting from the statistically most significant boundary and gradually zooming into less significant ones with improved resolution. Furthermore, it is found that the evolution of the identified soil strata as the model class increases provides additional valuable information for assisting in the interpretation of CPT data in a rational and transparent manner.
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.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle