Interpretation of subsurface stratigraphic variations from limited boreholes using Dual Bi-LSTM
Notice bibliographique
Résumé
The determination of stratigraphic delineation is the core of geotechnical design, significantly influencing the safety and serviceability of infrastructures. Accurately inferring subsurface stratigraphic variations from sparse borehole data still presents a considerable challenge due to the complicated spatial correlation of soils. In this paper, the dual bidirectional long short-term memory (Bi-LSTM) neural network is developed for accurate stratigraphic delineation by using limited boreholes. Based on a novel cross-shaped sampling system, the Dual Bi-LSTM efficiently captures intricate spatial dependencies. Moreover, numerical and one-hot encoding methods are compared to explore different ways of representing stratigraphic features. The proposed model is validated and implemented in three practical projects collected from Australia, Hong Kong, and the Netherlands, respectively, compared with the Markov random field (MRF) and IC-XGBoost method. Furthermore, the effects of borehole density, neighborhood scale, and sampling scheme are investigated based on a nonlinear and non-homogeneous synthetic case. The proposed model achieves an accuracy of 60.35% in boundary predictions of the Australia case, surpassing the MRF and the IC-XGBoost model by around 6% and 23%, respectively. The proposed Dual Bi-LSTM is highlighted to provide a user-friendly alternative for involving an accurate and reasonable soil profile using sparse site-specific boreholes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».