Quantitative analysis of water-content estimation errors using ground-penetrating radar data and a low-loss approximation
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 Expressions are derived to quantify the error when estimating permittivity that results from using the low-loss approximation under lossy conditions and to examine the repercussions on estimating water content θ. Values are computed under a range of porosity, clay-content, water-quality, and frequency conditions. Although in most cases the error is negligible, it can be significant for some hydrogeophysical applications involving cross-hole measurements or low-frequency surface ground-penetrating radar (GPR). For instance, when the loss tangent tanδ equals 0.5, corresponding to an effective conductivity of 30mS/m, a dielectric constantof 11, and a frequency of 100MHz, the relative error on dielectric permittivity is approximately 6%. If the conductivity doubles or the frequency is halved, the loss tangentdoubles but the error grows to 21%. In addition, considering a situation where the porosity is 20% and tanδ=0.5, the use of the low-loss approximation leads to a 10% deviation from θ. In the context of water-content estimation, we therefore suggest to perform attenuation tomography, in addition to velocity tomography for crosshole data, or estimate the quality factor Q for surface GPR data to compute the loss tangent over the probed area. If proven necessary, the parameters sought can then be determined more accurately using a lossy formulation. We also propose to supplement GPR measurements with electrical-resistivity tomography to constrain the borehole GPR amplitude data-processing steps required by attenuation tomography or to complement the characterization of the survey area and improve the knowledge brought by Q estimates alone.
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