Natural Stimuli Calibration with Fining Direction Regularization in an Integrated Hydrologic Model
Notice bibliographique
Résumé
The interaction between surface water and groundwater during flood events is a complex process that has traditionally been described using simplified analytical solutions, or abstracted numerical models. To make the problem tractable, it is common to idealize the flood event, simplify river channel geometry, and ignore bank soil heterogeneity, often resulting in a model that only loosely represents the site, thus limiting its applicability to any specific river cross-section. In this study, we calibrate a site-specific fully-integrated surface and subsurface HydroGeoSphere model using flood events for a cross-section along the South River near Waynesboro, VA. The calibration approach presented in this study demonstrates the incorporation of fining direction regularization with a highly parameterized inversion driven by natural stimuli, to develop several realistic realizations of hydraulic conductivity fields that reflect the depositional history of the system. Specifically, we calibrate a model with 365 unique material zones to multiple flood events recorded in a dense well network while incorporating possible fining sequences consistent with the depositional history of the riverbank. Over 25,000 individual simulations were completed using calibration software and a cloud platform specifically designed for highly parallelized computing environments. The results of this study demonstrate the use of fining direction regularization during model calibration to generate multiple calibrated model realizations that account for the depositional environment of the system.
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 | 0,001 |
| 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 ».