A review on the application of geophysical methods in civil engineering studies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper reviewed the application of geophysical methods in civil engineering projects by way of subsurface characterization by examining more than 75 publications in peer–reviewed journals. The paper highlighted various geological conditions considered in engineering site characterization and the appropriate geophysical methods such as electrical resistivity tomography, seismic refraction tomography, self-potential, induced polarization, electromagnetic, multichannel analysis of surface waves and magnetic methods used in subsurface characterization. Case studies drawn from 26 publications were presented to show the successful application of geophysical methods in subsurface characterization in relation to civil engineering projects. The paper also highlighted the challenges of geophysical data in civil engineering projects involving ambiguities in data interpretation, complexity in data processing and high noise to signal ratio in culturally noisy environments. Resolutions in the limitations and challenges of geophysical methods in civil engineering characterization were also offered in the paper, chief among them is integrated use of geophysical methods which has gained traction in recent years. Further solutions are incorporating appropriate band pass filters in the design of geophysical equipment’s to enhance signal to noise ratio in culturally noisy environments. Future researches in the use of geophysical methods in subsurface characterization in relation to civil engineering projects should involve joint inversion and modelling of integrated geophysical methods to achieve optimum results for subsurface imaging. Future researches should also incorporate the integration of machine learning and deep learning techniques, which enhance automated interpretation, facilitate anomaly detection, and enable real-time geophysical monitoring in civil infrastructure applications.
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.
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 découle