Unexploded ordnance discrimination using magnetic and electromagnetic sensors: Case study from a former military site
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 In a study at a military range with the objective to discriminate potentially hazardous 4.2-inch mortars from nonhazardous shrapnel, range, and cultural debris, six different discrimination techniques were tested using data from an array of magnetometers, a time-domain electromagnetic induction (EMI) cart, an array of time-domain sensors, and a time-domain EMI cart with a wider measurement bandwidth. Discrimination was achieved using rule-based or statistical classification of feature vectors extracted from dipole or polarization tensor models fit to detected anomalies. For magnetics, the ranking by moment yielded better discrimination results than that of apparent remanence from relatively large remanent magnetizations of several of the seeded items. The magnetometer results produced very accurate depths and fewer failed fits attributable to noisy data or model insuffi-ciency. The EMI-based methods were more effective than the magnetometer for intrinsic discrimination ability. The higher signal-to-noise ratio, denser coverage, and more precise positioning of the EM-array data resulted in fewer false positives than the EMI cart. When depth constraints from the magnetometer data were used to constrain the EMI fits through cooperative inversion, discrimination performance improved considerably. The wide-band EMI sensor was deployed in a cued-interrogation mode over a subset of anomalies. This produced the highest-quality data because of collecting the densest data around each target and the additional late time-decay information available with the wide-band sensor. When the depth from the magnetometer was used as a constraint in the cooperative inversion process, all 4.2-inch mortars were recovered before any false positives were encountered.
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