Innovative subsurface stratigraphy interpretation by integrating electrical resistivity tomography and borehole data
Notice bibliographique
Résumé
Subsurface stratigraphy interpretation often relies on sparse borehole data. Due to the inherent spatial variability and limited borehole data, uncertainty inevitably exists in the interpreted subsurface stratigraphy. Geophysical approaches such as electrical resistivity tomography (ERT) provide continuous subsurface data in the concerned cross-section. Though the reliability of the geophysical data derived is much lower than that of the solid borehole data, the continuous subsurface data obtained from geophysical investigations might be taken as a complement to the sparse borehole data in the subsurface stratigraphy interpretation. This paper proposes an innovative subsurface stratigraphy interpretation approach, which takes advantage of the high reliability of sparse borehole data and the abundance of ERT data. This approach is partially developed based on the random field approach recently advanced by the authors, and the relationship between ERT data and borehole stratigraphies is mapped with the algorithm of the support vector machine. The uncertainty of the interpreted subsurface stratigraphy arising from the random selection of the training and testing datasets (for training the mapping relationship between ERT data and stratigraphies) is analyzed by a “ bootstrapping” method. Furthermore, field tests of site investigation at four benchmark stratigraphic cross-sections are conducted, and high-quality ERT and borehole data are collected. Based on the high-quality site investigation data obtained, illustrative applications of the proposed approach are presented.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».