Nonparametric and data-driven interpolation of subsurface soil stratigraphy from limited data using multiple point statistics
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
An essential task in many geotechnical projects is delineation of subsurface soil stratigraphy from scatter measurements. Geotechnical engineers often use their knowledge on local geology and interpret soil strata boundaries by linear interpolation of measured data. This usual practice may encounter difficulties when interpreting complex deposits, particularly when measurements are limited. In this study, a novel nonparametric, data-driven method based on multiple point statistics (MPS) is proposed to interpolate subsurface soil stratigraphy from sparse measurements. MPS may be formulated as Bayesian supervised machine learning, which adaptively learns high-order spatial information (e.g., curvilinear features of soil layers) using sparse measurements obtained in a specific site and training image that reflects pre-existing engineering knowledge on similar geological settings. The proposed method is the first ever purely data-driven method (i.e., without using any pre-specified parametric functions) for geotechnical site characterization. The proposed method is illustrated by a simulated example and real data from a reclamation site in Hong Kong. The proposed method not only accurately interpolates the subsurface soil stratigraphy from sparse measurements, but also quantifies uncertainty associated with the interpolation. Effects of governing parameters in the proposed method are explicitly investigated, and parameters appropriate for subsurface soil stratigraphy are identified.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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