Data-centric quasi-site-specific prediction for compressibility of clays
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
A generic clay database consisting of six parameters, including compression index ( C c ) and unloading–reloading index ( C ur ), is compiled from 429 studies. This database, labeled as CLAY-C c /6/6203, contains 6203 records. A data-driven approach of predicting C c and C ur for a target site by combining sparse site-specific data with CLAY-C c /6/6203 is illustrated. This data-driven approach consists of two steps. The first step is a learning step that adopts a hierarchical Bayesian model (HBM) to learn the prior information in CLAY-C c /6/6203 (both inter-site and intra-site variabilities). The second step is a Bayesian inference step that updates the prior model into a posterior model. The inference outcome is a quasi-site-specific model. A real case study (Baytown, Texas, USA) is adopted to illustrate the application of the HBM-MUSIC-3X method in estimating and simulating the 3D spatially varying C c and C ur profiles. The key conclusions are as follows: ( i) predictions from Big Indirect Data (BID) in the form of CLAY-C c /6/6203 can be biased with large transformation uncertainty although data are abundant, ( ii) predictions from small (sparse) site-specific data are less biased but suffer from high statistical uncertainty although data are directly applicable, and ( iii) combining BID and site-specific data using an HBM learning strategy that accounts for site uniqueness is effective in terms of reducing prediction uncertainty.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle