Efficient 3D geological modeling for offshore wind farm with sparse CPTU and borehole data
Notice bibliographique
Résumé
Geological modeling of complex marine strata is critical for offshore wind farm development but faces two challenges: (1) inconsistent soil classification between two commonly used site investigation data, i.e., piezocone penetration tests (CPTU) and boreholes, posing a challenge for integrating multi-source information; (2) sparse distribution of investigation data horizontally, which makes 3D spatial interpolation difficult. To tackle these two issues, this study proposes a novel framework for geological modeling of offshore wind farms. The framework encompasses two crucial steps. First, a tailored CPTU-based soil classification model is trained to resolve interpretation discrepancies. Second, an advanced spatial interpolation model is developed for the 3D modeling of sparse investigation data. Both steps make uses of simple but efficient nonparametric machine learning algorithms, e.g., weighted kNN, for predictions, i.e., soil classification and 3D spatial interpolation, respectively. Sequential model-based optimization technique is employed to determine the optimal model hyperparameter. The proposed methodology is demonstrated and validated through benchmark examples and applied to two case studies of offshore wind farms with complex strata in East China Sea and Yellow Sea. It significantly improves soil classification accuracy, especially for silty soils dominated site, and enhances the capability of complex stratigraphy modeling despite sparse data.
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 | 0,000 |
| 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 | 0,001 | 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 ».