Simulation of CPT Points and Empirical Settlement Using Simulated CPT Points with Kronecker-Product Gaussian Process Regression Approach
Notice bibliographique
Résumé
In this paper, an application of data-driven Cone Penetration Test (CPT) simulations to computing empirical settlement is proposed. The paper utilizes three-dimensional (3D) random field generation of cone tip resistance (qc), sleeve friction (fs), and porewater pressure (u2). The parameters simulated are spatially variable, with correlation lengths simulated in the horizontal and vertical directions produced based on the probabilistic sampling. The simulation of these parameters is conditioned on known data within a geotechnical site. This is done by integrating a Gaussian-process-regression (GPR) trend model with a Kronecker-product sparse Bayesian learning (SBL) algorithm. The approach produces many simulated test values at unknown locations, and this data is aggregated to provide information about estimated settlement at that location using the empirical Schmertmann method. By structuring the 3D output space into field grid points, we can generate a simulated settlement profile over an area of the site. This novel approach allows engineers in practice to see fine-grained settlement details based on only a few CPT field tests, for which hundreds of tests would have necessarily been conducted before. An example is included which uses the outlined method to simulate settlement across many field grid points in a site, highlighting the method’s efficiency compared to layer construction based on average SBT values which is found in practice.
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 | 0,000 |
| 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 ».