Nonparametric and continuous variable-based stratigraphic modelling from sparse boreholes using signed distance function and Bayesian compressive sensing
Notice bibliographique
Résumé
An accurate stochastic interpretation of subsurface stratigraphy with quantified uncertainty can benefit the subsequent risk management of geotechnical infrastructure. Traditional approaches to developing geological cross-sections from sparse boreholes typically require the calibration or definition of empirical model parameters and functions, which may introduce subjectivity and bias. In this study, a nonparametric and continuous variable-based spatial predictor that leverages the signed distance function and Bayesian compressive sensing (BCS) is proposed for subsurface stratigraphic modelling. The proposed method transforms sparse categorical borehole data from a low-dimensional space into continuous variables in a high-dimensional space, enabling a comprehensive representation of more implicit characteristics of intricate geological patterns. This transformation facilitates the use of the continuous-variable-based BCS for nonparametric spatial prediction. The most probable geological cross-section and uncertainty qualification plot are derived after transforming spatially interpreted fields of continuous variables back into soil types. The performance of the proposed method is demonstrated using synthetic and real-world cases. Results indicate that the proposed approach can handle intricate stratigraphic scenarios characterized by complex geological structures, such as crossed-inclined, folded, inclined-folded, and interbedded strata, in a data-driven and nonparametric manner. The advantages of the proposed method over existing spatial predictors for developing geological cross-sections are also demonstrated.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».