Model‐Free Data‐Driven Computational Analysis for Soil Consolidation Problems
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
ABSTRACT Soils are inherently uncertain natural materials. In geotechnical engineering, soil properties are fundamentally characterised by testing small samples. The results will then be utilised to determine appropriate geomaterial constitutive models and associated parameters for implementation in conventional computational procedures such as finite element analysis (FEM). However, the accuracy and generalisation capability of such analyses largely depends on the selection of models, which may vary according to the specific applications. To overcome these limitations, computational approaches that do not rely on predefined soil constitutive models are emerging. In this paper, the formulation of data‐driven computing for fluid transport in porous media with particular reference to soil consolidation is derived. This does not rely on any constitutive flow law or models; instead, it directly uses the experimental data on fluid transport properties to compute fluid phase distribution during transient changes of the porous skeleton. For a discretised domain, the data‐driven solver assigns each element or quadrature point a state from an experimental dataset, satisfying mass conservation condition and fluid pressure gradient definition simultaneously. By introducing a penalty function defined by the quadratic distance between local state and material state, the problem is formulated as a constrained minimisation task solved explicitly by the Lagrange multipliers method. Subsequently, several cases were analysed using the proposed data‐driven method and compared with analytical and finite element (FE) solutions. In these tests, the data‐driven method shows good accuracy and convergence properties with further discussion on the influence of the scale and noise level of the dataset.
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 | 0,001 | 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 | 0,000 |
| Science ouverte | 0,001 | 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