Generation and evaluation of synthetic cone penetration test (CPT) data using various spatial interpolation techniques
Notice bibliographique
Résumé
The cone penetration test (CPT) has been widely used in many geotechnical engineering applications, including soil identification and classification, and evaluation of different soil properties. However, the uncertainties associated with site variation are typical characteristics of subsurface soil conditions that cannot be ignored. Therefore, the effect of site variability on the correlated soil properties from collected field data, such as CPT data, obtained from discrete locations across the site needs to be evaluated. In this study, six well-established spatial interpolation techniques — ordinary kriging (OK), simple kriging (SK), universal kriging (UK), inverse distance weight (IDW), spline, and natural neighbor (NaN) — were investigated to evaluate the best interpolation method for incorporating site variability. Six CPT test sites were used to evaluate the performance of these spatial interpretation methods. For each site, CPT profiles at specified locations were generated using the different interpolation techniques, and the generated CPT profiles were compared with the measured CPT profiles. The best-fit line of measured versus predicted cone tip resistance (qc) values, mean bias factor (λ), coefficient of variation (COV), and root mean square error (RMSE) were calculated for each CPT profile and used as a criteria for evaluating the different spatial interpolation methods. The results of this study demonstrated the ability of these spatial interpolation methods for generating CPT profiles with good accuracy. The slope of best-fit line of measured versus predicted qc ranges from 0.93 to 0.95, the mean of λ ranges from 0.90 to 0.98, and the COV ranges from 0.34 to 0.53. The IDW, OK, and SK showed the best spatial interpolation methods (in order) for four out of the six CPT sites. For site 4, OK, IDW, and SK showed the best spatial interpolation methods (in order); while for site 5, the three best spatial interpolation techniques are SK, IDW, and OK (in order).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».