Statistical evaluation of testing conditions on the saturated hydraulic conductivity of Brazilian lateritic soils using artificial intelligence approaches
Notice bibliographique
Résumé
Abstract The saturated hydraulic conductivity, k sat , is a crucial variable to describe the hydromechanical behavior of soils. The value of k sat of lateritic soils that are typically found in tropical regions is highly affected by the soil’s structure, void ratio, and fine particle aggregation. As a result, the determination of k sat in the field or in the laboratory is complex and involves greater variability, depending on the type of test and on the spatial location of sampling. This paper presents a study of k sat values of lateritic soils, analyzing them using Statistic, Multilayer Perceptron Artificial Neural Networks (ANN) and Decision Trees (CHAID). This study aims to support decision-making regarding the type of test and depth chosen for sampling in laterite soils and understanding the factors influencing the permeability of such soils. An extensive literature review on the k sat values of lateritic soils was performed, providing data for the establishment of a database comprise of 722 registries. According to agronomic and geotechnical soil classifications, the Brazilian lateritic soils presents a “moderate” hydraulic conductivity. A significant variation of permeability values along the depth was identified, particularly for depths between 0.1 and 0.2 m. Regarding the importance of testing variables, the ANN indicated a high dependency on the type of test. The decision tree divided field test and laboratory test automatically, inferring the relevance of the type of test to the determination of k sat .
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 | 0,004 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».