Fusion of sparse non-co-located measurements from multiple sources for geotechnical site investigation
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
A profile of geotechnical properties is often needed for geotechnical design and analysis. However, site-specific data might be characterized as MUSIC-X (i.e., Multivariate, Uncertain and Unique, Sparse, Incomplete, and potentially Corrupted with “X” denoting the spatial/temporal variability), posing a significant challenge in accurately interpreting geotechnical property profiles. Different sources, or types, of data are commonly available from a specific site investigation program, and they are usually cross-correlated, and thus can provide complementary information. This leads to an important question in geotechnical site investigation: how to integrate multiple sources of sparse data for enhancing the profiling of different geotechnical properties. To address this issue, this study proposes a novel method, called fusion Bayesian compressive sampling (Fusion-BCS), for integrating sparse and non-co-located geotechnical data. In the proposed method, the auto- and cross-correlation structures of different sources of data are exploited in a data-driven manner through a joint sparse representation. Then, profiles of different geotechnical properties are jointly reconstructed from all measurements under a framework of compressive sampling/sensing. The proposed method is illustrated using simulated and real geotechnical data. The results indicate that the accuracy of the interpreted geotechnical property profiles may be significantly improved by integrating multiple sources of site investigation data.
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 | 0,001 | 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 | 0,000 |
| 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