ARMA Models to Measure the Scale of Fluctuation from CPT Data
Notice bibliographique
Résumé
Objective: Spatial variability is one of the largest sources of uncertainty in geotechnical applications. This variability is primarily characterized by the scale of fluctuation, a parameter that describes the distance over which the parameters of a material are similar. Spatial variability is generally described with traditional methods of time series analysis. In statistics, the Auto-Regressive Moving Average (ARMA) model is commonly used to describe the relationship between two points in time. Instead of assuming an autocorrelation model, the ARMA model calculates the necessary auto-regressive components (AR), as well as a decaying Mean Structure (MA). The advantage of this method is that it is calculated for each specific field study, so that the data is not forced to fit into a fixed autocorrelation model ( e.g . Markovian, Gaussian, etc ). Methods: In this study, the ARMA model is introduced as a means of measuring scale of fluctuation, and two case studies and a simulation are used to compare the scale of fluctuation values from the ARMA model to the other estimates. Results: In the first case study, the ARMA model estimated a value of 0.26 m while the other methods ranged from 0.22-0.29 m. In the second case study, the ARMA model estimated a value of 0.40 m while the other methods ranged from 0.40-0.54 m. In the simulated example, where the true value was 5.0 m, the ARMA model estimated a value of 4.73 m while the other methods ranged from 3.24-3.51 m. Conclusion: This paper concludes that ARMA is a promising new method for estimating the scale of fluctuation but requires a considerable amount of research before it can become established in the geotechnical sphere.
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 | 0,001 | 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 ».