How to Correctly Interpret Strange Data for Field Permeability (Slug) Tests in Monitoring Wells or between Packers
Notice bibliographique
Résumé
ABSTRACT Falling-head and rising-head permeability tests have been carried out in monitoring wells, driven permeameters, and between packers for approximately one century. Recent tests are usually performed with a pressure transducer and an atmospheric pressure transducer, which should be synchronized, but this is rarely done. This article examines examples of strange test data for aquifers, due to field and human factors, and explains how to make an adequate interpretation. Many quality issues are listed, including poor decisions made by people who interpreted test data. Most often, a slug test has not a single quality issue but an assortment of interactive issues. Eight examples (1–8) are analyzed for (1) a too-small initial water column, (2) a shaky start when using compressed air, (3) inaccurate data for the water column height versus time, (4) variation in atmospheric pressure during the test, and (5–8) a few mixtures of listed issues with a poor estimate of the piezometric level for the test, which is ever-present. Clear plots illustrate each example. Explanations are given and listed on how to proceed to properly take into account quality issues for slug test data in aquifers. Clear rules are given to anyone who has to plan, perform, and interpret a slug test. Recommendations are made to improve a few standards and limit the risks of quality problems.
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 | 0,001 | 0,003 |
| 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 | 0,001 |
| 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 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 ».