A Genetic Programming–Based Model for Colloid Retention in Fractures
Notice bibliographique
Résumé
Abstract Understanding the behavior of colloids in groundwater is critical as some are pathogenic while others may facilitate or inhibit the transport of dissolved contaminants. Colloid behavior in saturated fractured aquifers is governed by the physical and chemical properties of the groundwater‐particle‐fracture system. The interaction between these properties is nonlinear, and there is a need for a mathematical model describing the relationship between them to advance the mechanistic understanding of colloid transport in fractures and facilitate modeling in fractured environments. This paper coupled genetic programming and linear regression within a multigene genetic programming framework to develop a robust mathematical model describing the relationship between colloid retention in fractures and the physical and chemical parameters that describe the system. The data employed for model development and validation were collected from a series of 75 laboratory‐scale colloid tracer experiments conducted under a range of conditions in three laboratory‐induced discrete dolomite fractures and their epoxy replicas. The model sufficiently reproduced the observed data with coefficients of determination ( R 2 ) of 0.92 and 0.80 for model development and validation, respectively. A cross‐validation demonstrated the model generality to 86% of the observed data. A variance‐based global sensitivity analysis confirmed that attachment is the primary retention mechanism in the systems employed in this work. The model developed in this study provides a tool describing colloid retention in factures, which furthers the understanding of groundwater‐particle‐fracture system conditions contributing to the retention of colloids and can aid in the design of groundwater remediation strategies and development of groundwater management plans.
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 ».