Exploring Efficiency of Biochar in Enhancing Water Retention in Soils with Varying Grain Size Distributions using ANN Technique
Notice bibliographique
Résumé
Abstract Recently, incentives have been provided in many countries, including Canada and Denmark, to produce biochar for construction usage. This is done because biochar is carbon negative and can help achieve the emission reduction goal of 2030. This technical note aims to analyze the efficiency of biochar in soils with varying grain size distribution for enhancing water retention capacity (WRC). The combinations of biochar content and grain size distributions corresponding to the maximum and minimum efficiency were explored. Artificial Neural Network (ANN) based model for predicting Soil Water Characteristic Curve (SWCC) as a function of soil suction and grain size distribution was developed. A new factor (the ratio of fine (silt + clay) and coarse (sand) content) was proposed for the interpretation of the efficiency of biochar in soils. The newly developed model is able to predict SWCC reasonably well. Biochar amendment is found to influence both dry and wet sides of soils with a clay content lower than threshold content (6–8%). Beyond threshold content, the influence of biochar appears to reduce. However, in the case of high sand content soils (90%), the NWC value on the drier side is generally higher as compared to soils with lower sand content. Based on sensitivity analysis, it was found that the ratio of fine to sand content is the most influential, while biochar content is the least influential.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,002 |
| 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 ».