Application of Non-Destructive Test Results to Estimate Rock Mechanical Characteristics—A Case Study
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
Accurately determining rock elastic modulus (EM) and uniaxial compressive strength (UCS) using laboratory methods requires considerable time and cost. Hence, the development of models for estimating the mechanical properties of rock is a very attractive alternative. The current research was conducted to predict the UCS and EM of sandstone rocks using quartz%, feldspar%, fragments%, compressional wave velocity (PW), the Schmidt hardness number (SN), porosity, density, and water absorption via simple regression, multivariate regression (MVR), K-nearest neighbor (KNN), support vector regression (SVR) with a radial basis function, the adaptive neuro-fuzzy inference system (ANFIS) using the Gaussian membership (GM) function, and the back-propagation neural network (BPNN) based on various training algorithms. The samples were categorized as litharenite and feldspathic litharenite. By increasing the feldspar% and quartz% and decreasing the fragments%, the static properties increased. The results of the statistical analysis showed that the SN and porosity have the greatest effect on the UCS and EM, respectively. Among the Levenberg–Marquardt (LM), Bayesian regularization, and Scaled Conjugate Gradient training algorithms using the BPNN method, the LM achieved the best results in forecasting the UCS and EM. The ideal obtained BPNN, using a trial-and-error process, contains four neurons in a hidden layer with eight inputs. All five models attained acceptable accuracy (correlation coefficient greater than 70%) for estimating the static properties. By comparing the methods, the ANFIS showed higher precision than the other methods. The UCS and EM of the samples can be determined with very high accuracy (R2 > 99%).
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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