Using complex permittivity and artificial neural networks to identify and classify copper, zinc, and lead contamination in soil
Notice bibliographique
Résumé
Complex permittivity measurements combined with artificial neural networks (ANNs) are investigated as a method for assessing and identifying heavy metal contamination in soil. The measurements are carried out with a custom-built device on 164 compacted samples of a natural clayey soil, artificially contaminated with various simple salts including heavy metals (Cu, Zn, and Pb). The soil samples are prepared by mixing solutions of the various salts with the soil at various concentrations and water contents. A database has been set up consisting of complex per mittivity measurements made between the frequencies of 200 and 500 MHz and measured physical and chemical properties of the soil samples. Using this database as input, two ANN models are designed, the first to detect the presence or absence of heavy metals in the soil samples and the second to determine whether the heavy metal, if present in a given sample, is Cu, Zn, or Pb. Both ANN models perform reasonably well. Overall, the first model is able to detect the presence of heavy metals in 92.7% of cases, and the second is successful in distinguishing the particular type of heavy metal in 76.4% of all the samples containing heavy metals. These encouraging results underscore the potential of complex permittivity and ANNs as promising tools for nondestructive subsurface contamination assessment.Key words: heavy metals, subsurface contamination, complex permittivity, artificial neural networks, contaminant detection.
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 ».