Data driven deep learning method for quantifying groundwater flux in deep fractured aquifers with the fractured rock passive flux meter
Notice bibliographique
Résumé
• Groundwater fluxes in fractured aquifers were measured using the Fractured Rock Passive Flux Meter (FRPFM). • A deep learning model (YOLOv8) was applied to identify dye marks on fabric and quantify flux parameters from laboratory experiments. • YOLOv8 achieved high accuracy with precision (P) = 0.99 and recall (R) = 0.75 for object detection and mask predictions. • Groundwater fluxes were estimated with relative errors of ±23 % ( Δ z d y e ) and ±16 % ( A d y e ), yielding an overall ±20 % error. • The Precision-Recall curve analysis suggests that model accuracy can be further improved with a larger training dataset. Movement of groundwater in fractured aquifers is highly variable and depends on many factors besides fracture apertures. Hence, downhole techniques that directly map fracture locations, orientations, apertures, and measure groundwater fluxes are valuable tools. Here, we explored the possibility of using the Fractured Rock Passive Flux Meter (FRPFM) with visible dye component to measure groundwater fluxes and identify geometric fracture parameters through laboratory experiments. For this purpose, we used the deep learning model YOLOv8 to accurately identify the dye marks and to measure their areas A d y e and widths Δ z d y e from images of the dyed fabric. Results showed that groundwater fluxes were measured with relative errors of ±23 % and ±16 % based on Δ z d y e and A d y e , respectively, with an overall relative error of ±20 %. The YOLOv8 model showed very good accuracy by achieving high precision P = 0.99 and recall R = 0.75 for both object detection and mask predictions. The P - R -curve showed that accuracy can be improved by using more images to train the model.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».