Optimizing Hydraulic Conductivity Estimation from In Situ Measurements Using Artificial Data
Notice bibliographique
Résumé
ABSTRACT Determination of the hydraulic conductivity-void ratio function (k-e) of sedimenting soft soils can be performed using in situ density and pore-pressure measurements in column tests, centrifuge, and in pilot or field deposits without resorting to back-calculation using numerical methods. The disadvantage of back-calculation is that it requires knowledge of the compressibility curve, which is known to change over time in soft soils. Direct determination of k-e has been employed in previous studies, essentially applying Darcy’s law to find k from fluxes and gradients determined by various interpolation strategies of the known density and pore-pressure profiles. This technique is sometimes called the instantaneous profile method (IPM). This paper examines this technique rigorously through both (1) generating artificial data from a large-strain consolidation model and applying the IPM to this artificial data to attempt to recover the consolidation properties inputted into the model, and (2) by comparison with known case studies in the literature. This exercise provides clear requirements and limits on data needs as well as data interpolation methods. It was found that a substantial reduction in the scatter of the estimated k-e values was achieved when a local dependency of k on void ratio was assumed only for the variation of k across an IPM element: k∼eb. This assumption of local variation did not inhibit IPM from regenerating the global hydraulic conductivity function, even if the power of this global function was very different from the assumed form of the local variance. Screening out fluxes generated by measurement noise also improved the results.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».