Accelerating regional-scale groundwater flow simulations with a hybrid deep neural network model incorporating mixed input types: A case study of the northeast Qatar aquifer
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
ABSTRACT This study presents the ‘Dual Path CNN-MLP’, a novel hybrid deep neural network (DNN) architecture that merges the strengths of convolutional neural networks (CNNs) and multilayer perceptrons (MLPs) for regional groundwater flow simulations. This model stands out from previous DNN approaches by managing mixed input types, including both imagery and numerical vectors. Such flexibility allows the diverse nature of groundwater data to be efficiently utilized without the need to convert it into a uniform format, which often leads to oversimplification or unnecessary expansion of the dataset. When applied to the northeast Qatar aquifer, the model demonstrates high accuracy in simulating transient groundwater flow fields, benchmarked against the well-established MODFLOW model. The model's efficacy is confirmed through k-fold cross-validation, showing an error margin of less than 12% across all examined locations. The study also examines the model's ability to perform uncertainty analysis using Monte Carlo simulations, finding that it achieves around 1% average absolute percentage error in estimating the mean hydraulic head. Errors are mostly found in areas with significant variations in the hydraulic head. Switching to this machine learning model from the conventional MODFLOW simulator boosts computational efficiency by about 99%, showcasing its advantage for tasks like uncertainty analysis in repetitive groundwater simulations.
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 | 0,001 |
| 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