Data‐Driven Detection of Internal Erosion Initiation in Gap‐Graded Soils: Combining Particle‐Scale CFD‐DEM Simulation With 3D Convolutional Autoencoder
Notice bibliographique
Résumé
ABSTRACT Internal erosion in gap‐graded soils poses significant risks to water‐retaining structures such as earth dams. However, its underlying mechanisms at the particle scale remain poorly understood. This study couples the discrete element method (DEM) with computational fluid dynamics (CFD) to simulate internal erosion in gap‐graded soil assemblies and employs data‐driven techniques to detect early‐stage erosion. Particle‐scale parameters, such as contact forces, particle velocity and fluid velocity, are extracted from the transient CFD‐DEM simulations. These features are transformed into multi‐dimensional voxel‐based tensors representing the particle–fluid interactions, which are used to train deep learning models. Autoencoder models with 3D convolutional neural network (CNN) layers as encoder and decoder are developed to investigate the micro‐scale patterns within the particle‐fluid assembly. Through sequential training techniques, the temporal evolution of anomalies is captured, enabling identification of the initiation point of internal erosion. The results reveal how microscale behaviours, such as particle motion, contact forces and contact number, contribute to macroscale erosion processes. The outcome of this research can inspire further research into AI‐based early detection techniques for internal erosion in earth dams.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».