Fast stratification of geological cross-section from CPT results with missing data using multitask and modified Bayesian compressive sensing
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
Since cone penetration test (CPT) is reasonably rapid, affordable, and repeatable, it has been widely used in situ for subsurface soil stratification and classification in geological and geotechnical engineering practice. When used for soil stratification across a 2D geological cross-section, however, it is often observed that some CPTs probe deeper than others, and that some CPT soundings may contain missing data due to presence of gravel-sized particles or intentional bypassing of gravelly soil layers. Arguments above and frequently encountered problem of a small number of CPT soundings in practice pose a great challenge for 2D soil stratification, especially for nonstationary CPT within multilayers. While certain methods have been proposed hoping to address these concerns, they are frequently constrained by either stationary assumption of data, autocorrelation function forms, or computational issues. This study introduces a data-driven multitask Bayesian compressive sensing (MT-BCS) method to estimate missing data for CPT sounding of interest, and then develops a modified 2D BCS method for fast interpolation for horizontal locations without CPT soundings. The proposed method is demonstrated and validated using both numerical and real-world CPT data. Results show that proposed method is both efficient and robust in terms of missing data estimation in each CPT sounding and soil stratification for a 2D geological cross-section.
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