SWprocess: a workflow for developing robust estimates of surface wave dispersion uncertainty
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
Abstract Non-invasive surface wave methods are increasingly being used as the primary technique for estimating a site’s small-strain shear wave velocity (Vs). Yet, in comparison to invasive methods, non-invasive surface wave methods suffer from highly variable standards of practice, with each company/group/analyst estimating surface wave dispersion data, quantifying its uncertainty (or ignoring it in many cases), and performing inversions to obtain Vs profiles in their own unique manner. In response, this work presents a well-documented, production-tested, and easy-to-adopt workflow for developing estimates of experimental surface wave dispersion data with robust measures of uncertainty. This is a key step required for propagating dispersion uncertainty forward into the estimates of Vs derived from inversion. The paper focuses on the two most common applications of surface wave testing: the first, where only active-source testing has been performed, and the second, where both active-source and passive-wavefield testing has been performed. In both cases, clear guidance is provided on the steps to transform experimentally acquired waveforms into estimates of the site’s surface wave dispersion data and quantify its uncertainty. In particular, changes to surface wave data acquisition and processing are shown to affect the resulting experimental dispersion data, thereby highlighting their importance when quantifying uncertainty. In addition, this work is accompanied by an open-source Python package, swprocess , and associated Jupyter workflows to enable the reader to easily adopt the recommendations presented herein. It is hoped that these recommendations will lead to further discussions about developing standards of practice for surface wave data acquisition, processing, and inversion.
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 | 0,001 | 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) | 0,001 | 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