Seismic physics-based characterization of permafrost sites using surface waves
Notice bibliographique
Résumé
Abstract. The adverse effects of climate warming on the built environment in (sub-)arctic regions are unprecedented and accelerating. The planning and design of climate-resilient northern infrastructure, as well as predicting deterioration of permafrost from climate model simulations, require characterizing permafrost sites accurately and efficiently. Here, we propose a novel algorithm for the analysis of surface waves to quantitatively estimate the physical and mechanical properties of a permafrost site. We show the existence of two types of Rayleigh waves (R1 and R2; R1 travels faster than R2). The R2 wave velocity is highly sensitive to the physical properties (e.g., unfrozen water content, ice content, and porosity) of active and frozen permafrost layers, while it is less sensitive to their mechanical properties (e.g., shear modulus and bulk modulus). The R1 wave velocity, on the other hand, depends strongly on the soil type and mechanical properties of permafrost or soil layers. In situ surface wave measurements revealed the experimental dispersion relations of both types of Rayleigh waves from which relevant properties of a permafrost site can be derived by means of our proposed hybrid inverse and multiphase poromechanical approach. Our study demonstrates the potential of surface wave techniques coupled with our proposed data-processing algorithm to characterize a permafrost site more accurately. Our proposed technique can be used in early detection and warning systems to monitor infrastructure impacted by permafrost-related geohazards and to detect the presence of layers vulnerable to permafrost carbon feedback and emission of greenhouse gases into the atmosphere.
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) | 0,017 | 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 ».