pySBeLT: A Python software package for stochasticsediment transport under rarefied conditions
Notice bibliographique
Résumé
Granular sediment of various sizes moves downstream along river beds when water flow is capable of entraining particles from the bed surface.This process is known as bed load sediment transport because the particles travel close to the boundary.It is common to treat the transport process as a predictive problem in which the mean transport rate past a stationary observation point is a function of local water flow conditions and the grain size distribution of the bed material (Ancey, 2020;Parker, 2008;Wainwright et al., 2015).However, a predictive approach to the bed load problem neglects the stochastic nature of transport due to the movements of individual particles (Einstein, 1937;Furbish & Doane, 2021), and interactions between moving particles and those on the bed surface (Ancey et al., 2006(Ancey et al., , 2008;;Lee & Jerolmack, 2018).Here, we present an open-source Python model, pySBeLT, which simulates the kinematics of rarefied particle transport (low rates) as a stochastic process along a riverbed profile.pySBeLT is short for Stochastic Bed Load Transport.The primary aim of pySBeLT is to offer an efficient and reasonable numerical means to probe connections between individual particle motions and local transport rates, or the flux.We suggest that pySBeLT is a suitable teaching tool to help introduce bed load transport to advanced undergraduate and graduate students alike.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,055 | 0,014 |
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 source (Gemma direct ou Codex distillé), 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 ».