Utilisation de la chaleur pour la quantification des flux souterrains et la compréhension de l'hétérogénéité souterraine
Notice bibliographique
Résumé
L’hétérogénéité des milieux souterrains et la variabilité de conductivité hydraulique contrôlent l’écoulement des eaux souterraines et le transport de contaminants dans les aquifères. Ici, plusieurs approches complémentaires sont développées pour utiliser la chaleur pour mieux contraindre les flux souterrains et reconstruire l’hétérogénéité du sous-sol. Une approche typique pour reconstruire les valeurs de conductivité hydraulique et leur distribution spatiale est la tomographie hydraulique qui repose en général sur une l'inversion de données de charge hydraulique. Dans ce travail, une première approche a consisté à évaluer sur des cas synthétiques, l’intérêt des données de flux d’écoulement (déduites en utilisant des mesures distribuées de température par fibre optique active (A-FO DTS)) pour des expériences de tomographie hydraulique. Nous concevons ensuite et mettons en œuvre la première expérience de tomographie hydraulique mesurant à la fois les charges hydrauliques et les flux dans un aquifère granulaire peu profond du site de Saint-Lambert au Québec, Canada. Les résultats des études numériques révèlent que les données de flux sont plus contraignantes que les données de charge hydraulique pour un petit nombre d'observations, tandis que pour un nombre élevé d'observations, l'hétérogénéité reconstruite est indépendante du type de données. Les résultats de l'expérience de tomographie hydraulique montrent l'intérêt d'inclure un nombre élevé de mesures de flux, obtenues par A-FO DTS conduisant à une réduction de l'incertitude des estimations. Enfin, le DTS passif est utilisé pour surveiller l'écoulement des eaux souterraines dans un forage fracturé artésien sur le site de Ploemeur en Bretagne. Les résultats révèlent le potentiel du DTS passif pour capturer la dynamique des eaux souterraines dans les milieux fracturés.
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 | 0,000 |
| 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 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 ».