Neural Network Based Interpretation Algorithm for Combined Induced Polarization and Vertical Electrical Soundings of Coastal Zones
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
Abstract The problem of fresh water availability in coastal aquifers is a reality. For in-situ and dynamic characterization of seawater encroachment into coastal aquifers, electrical geophysical methods are better suited. Vertical Electrical sounding (VES) when combined with induced polarization soundings (IPS) can resolve saline sands from moist clays. Our feed forward back-propagation neural network (BPNN) based approach automates the analysis of combined vertical electrical and induced polarization soundings to suit practical needs. Our method is initially tested on synthetic data computed from available geo-electric sections and geological information concerning coastal aquifers of the East Coast of India. The synthetic data comprised 18 combined Schlumberger IPS and VES soundings (504 apparent resistivity and chargeability samples) spread over five profiles in the study region. Fictitious apparent resistivity (product of apparent resistivity and apparent chargeability) soundings are derived from them. We used 118 carefully selected discrete fictitious apparent resistivity values from 210 sample sets gathered from 15 (420 samples) combined soundings to train the BPNN, while 33 samples from 3 separate combined soundings, and 26 random samples from 92 unused training samples of 15 soundings were used for testing. Our trained BPNN involved one input node and one bias-unit at the input layer stage, one node in the output layer, and 18 nodes and one bias-unit in hidden layer. The trained neural net showed an overall success rate of 83% in testing phase for distinguishing clays from saline sands in the synthetic example. Our method is also tested on real data concerning a shaly groundwater aquifer in Bahia, Brazil yielding an overall accuracy of 85%, quite comparable to that of synthetic case. Thus, both synthetic and field data analysis validate our neural network based algorithm.
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