Predicting geological interfaces using stacking ensemble learning with multi-scale features
Notice bibliographique
Résumé
Understanding the variation of geological interfaces plays a crucial role in the analysis and design of infrastructure systems. Generally, there are two classes of techniques for predicting geological interfaces, for example, interpolation/regression-based techniques and machine-learning-based techniques. In this paper, a Multi-scale Meta-learning Model (M 3 ) methodology is proposed. The new methodology improves the current state-of-the-art techniques by fusing two levels of information: (i) generic characteristics of the sampling locations, for example, coordinates, and (ii) location-specific characteristics, for example, local-scale predictions. The implementation starts from using an array of classic interpolation/regression-based techniques as base learners to provide first-level predictions at a local scale. These predictions are then combined with generic characteristics to train a meta-learner following the stacking ensemble learning framework. In this manner, the location-specific information from the base learners can be simultaneously considered with the generic information in the training process. The variation of rockhead elevation is predicted using the M 3 methodology and a comprehensive borehole dataset in Singapore. A detailed comparative study involving several existing methods is also carried out to rigorously validate the M 3 methodology. The results show that the M 3 methodology achieves 20% improvement in the model performance compared to existing methods, indicating its promising potential in geotechnical site characterization.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».