Uncertainty Analysis of Stochastic Solute Transport in a Heterogeneous Aquifer
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
The uncertainty of predicting stochastic solute transport in an aquifer with heterogeneous hydraulic conductivity was quantified. Two sources of uncertainty were considered in the analysis including uncertainty that stems from inability to exactly predict the hydraulic conductivity at unmeasured locations and uncertainty that results from imperfect knowledge of the parameters in stochastic model. Hydraulic conductivity field was simulated using a random space function model while considering the nugget effect. The posterior distribution of parameters in the model was then obtained using Bayesian inference method of Markov Chain Monte Carlo (MCMC) Metropolis-Hastings (MH) algorithm. Inferred optimal parameter set was lastly used to generate conditional hydraulic conductivity fields to simulate solute transport in groundwater. As an illustrative example, a hypothetical steady two-dimensional flow in a heterogeneous aquifer was adopted. Results showed that the uncertainty of predicting solute transport in groundwater decreased when more conditional data were included, which was attributed to the fact that the optimal parameter value approached its hypothetical value in the posterior parameter distributions under the scenario of using more conditional data. Another important finding was that the degree of uncertainty for predictive variance is much higher in the area of higher solute concentration while the uncertainty for predictive absolute error shows no obvious trend when determining the distribution of solute concentration. We concluded that a balance may exist between global and local uncertainty for predictive absolute error. At last, the relative importance of parameter uncertainty to uncertainty of predictive solute transport was revealed. The variance and nugget ranked the top two important factors, followed by the expected value and the integral scale of the spatial stochastic process.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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