Applying Parameter‐Estimation Methods to Recovery‐Test and Slug‐Test Analyses
Notice bibliographique
Résumé
Parameter-estimation methods, including an exhaustive-search method and PEST (Parameter ESTimation) software, were applied to recovery-test data and slug-test data to obtain best estimates of transmissivity (T) by minimizing the sums of residuals. Each residual represents the difference between the field-measured water-level value and the value calculated by the appropriate non-linear equation. The exhaustive-search method in both cases involves computing the sums of residuals for an array of transmissivity and storativity values selected by the user for testing. Two new Fortran programs are presented that employ the exhaustive-search method. They utilize Picking's method for analyzing recovery-test data and the analytical equation for analyzing slug-test data derived by Cooper, Bredehoeft, and Papadopulos. Picking's method involves application of the Papadopulos and Cooper's equation for drawdown in finite-diameter wells. Utilizing field data reported in the literature, the estimated transmissivity values from the exhaustive-search methods were compared to the literature values obtained by type-curve matching techniques. The exhaustive-search values corresponded closely to the curve-matching values. Estimates for T were also obtained from recovery-test and slug-test data from two sites in southeastern Pennsylvania. For these sites, the PEST program was also applied to the data to evaluate the accuracy of the exhaustive-search methods. The results from the two methods were generally in good agreement. The two new Fortran programs are practical tools for the hydrogeologist, as they require less time compared to type-curve matching and the PEST method, and they yield accurate estimates of transmissivity.
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 | 0,000 | 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 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 ».