A multiscale accuracy assessment of moisture content predictions using time-lapse electrical resistivity tomography in mine tailings
Notice bibliographique
Résumé
Accurate and large-scale assessment of volumetric water content (VWC) plays a critical role in mining waste monitoring to mitigate potential geotechnical and environmental risks. In recent years, time-lapse electrical resistivity tomography (TL-ERT) has emerged as a promising monitoring approach that can be used in combination with traditional invasive and point-measurements techniques to estimate VWC in mine tailings. Moreover, the bulk electrical conductivity (EC) imaged using TL-ERT can be converted into VWC in the field using petrophysical relationships calibrated in the laboratory. This study is the first to assess the scale effect on the accuracy of ERT-predicted VWC in tailings. Simultaneous and co-located monitoring of bulk EC and VWC are carried out in tailings at five different scales, in the laboratory and in the field. The hydrogeophysical datasets are used to calibrate a petrophysical model used to predict VWC from TL-ERT data. Overall, the accuracy of ERT-predicted VWC is [Formula: see text], and the petrophysical models determined at sample-scale in the laboratory remain valid at larger scales. Notably, the impact of temperature and pore water EC evolution plays a major role in VWC predictions at the field scale (tenfold reduction of accuracy) and, therefore, must be properly taken into account during the TL-ERT data processing using complementary hydrogeological sensors. Based on these results, we suggest that future studies using TL-ERT to predict VWC in mine tailings could use sample-scale laboratory apparatus similar to the electrical resistivity Tempe cell presented here to calibrate petrophysical models and carefully upscale them to field applications.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| 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 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 ».