Probabilistic generic transformation model between two rock mass properties: specific fracture energy and P-wave velocity
Notice bibliographique
Résumé
This study proposed a probabilistic generic transformation model between two rock mass properties, specific fracture energy, E v , and P-wave velocity, V P . To build the transformation model, 12 pairwise data sets of E v and V P were collected from six different construction sites involving construction of mountain tunnels in Japan. This database is labeled as “RockMass/2/350”. A probabilistic transformation model was built based on a bivariate standard normal distribution with these 350 data points. The model is generic, because it is based on a variety of sites. The performance of the constructed transformation model was evaluated through a cross-validation. It was found that 98.2% of the validation data fell within the computed 95% confidence interval of the model estimation, and this result provides a preliminary validation of the probabilistic transformation model. Unlike existing deterministic transformation models for estimating V P from E v , the proposed model can explicitly evaluate the transformation uncertainty with a quantitative metric such as a percentile. For practical application, a 3D model of the spatial distribution for Young’s modulus, E, was visualized based on the proposed transformation model. Since the proposed model is probabilistic, it can provide the spatial distribution for percentiles of E values. The constructed 3D model presented in this paper can be directly used as an input data for finite element or finite difference analysis, and probabilistic evaluation of excavation simulation is feasible based on the proposed probabilistic model. The quantitative information on such uncertainty can be useful in decision-making for tunnel constructions, such as selection of a cautious characteristic value.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».