Random Forest Predictions of Fine Ash Concentration and Charging Processes From Experimentally Generated Volcanic Discharges
Notice bibliographique
Résumé
Abstract Explosive volcanic plume rise is governed by the rate at which ambient air is ingested and heated by turbulent entrainment and mixing processes. A daunting observational challenge is to constrain the character of the underlying physical processes and their dependence on complex particle‐particle and particle‐gas interactions. Important clues may lie in the particle‐particle momentum exchange that gives rise to related electrical discharges near the vent during supersonic eruptions. Recent laboratory studies of positive and negative shock‐tube‐generated volcanic discharges show a correlation between fine ash concentration and the magnitude and number of positive discharges. Charge generation via collisions (triboelectrification) is hypothesized to be more efficient with high ash concentrations and at high decompression rates because collisions between particles become more frequent under these conditions. To understand the experimental data in greater detail, we train and implement a regression‐based random forest algorithm to quantitatively predict concentrations of fine ash using discharge count, magnitude and polarity as predictors. Using a metric for variable importance, we find in all, high pressure (HP, ≥10 MPa), and high ash mass experiments (HM, >22g) that positive discharge properties are most important when predicting fine ash concentration, consistent with triboelectrification as the predominant charging process under these conditions. This mechanism is not constrained for low‐pressure (LP, <10 MPa) conditions, suggesting a potential threshold decompression rate condition for this class of charging. This result provides insight into why near‐vent lightning is not a ubiquitous feature of explosive eruptions.
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 ».