Interpretación hidrogeológica con modelación numérica en masas geológicas del deslizamiento "Derrumbe 1" – Complejo hidroeléctrico del Mantaro
Bibliographic record
Abstract
Desde hace muy pocos años, se ha construido modelos matemáticos para evaluar los recursos hídricos. Con más o menos éxito, estos sistemas se han aprovechado para simular procesos de generación de escorrentía a partir de datos de climáticos. Además, se han utilizado para simular procesos hidroeléctricos mediante datos climáticos. Casi todos estos sistemas planteaban modelos muy simples por dos motivos: (a) la escasa capacidad de cálculo de los equipos informáticos y (b) el desconocimiento de las características de la mayoría de las cuencas, lo que impedía plantear de manera distribuida la resolución del conjunto de las ecuaciones que describen los procesos implicados en el ciclo hidrológico. Por esta razón, la modelización de procesos hidrológicos se ha movido dentro de los modelos que denominan los agregados realizados con términos medios de los valores de los registros logrados. En el siguiente documento, se ha utilizado registros de varios años que han sido recogidos y ordenados sistemáticamente. Además, constituyen una oportunidad y valiosa herramienta para plantear un modelo numérico de carácter distribuido, con resultados extendidos y un error mínimo que se obtiene de la calibración inversa.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".