Pistes d’optimisation des acquisitions sismiques de proche surface en environnement complexe, applicables pour des projets géotechniques
Bibliographic record
Abstract
L’objectif de cet article est de discuter de la possibilité de réaliser une combinaison de méthodes sismiques de surface de façon industrielle, afin d’avoir à la fois une investigation robuste en environnement complexe de part la multiplicité des méthodes, mais aussi de maitriser les coûts en restant dans un même domaine physique et donc en limitant les moyens à mettre en oeuvre. Pour cela, nous allons analyser les résultats d’une acquisition sismique exhaustive en termes de nombre de capteurs, composantes, types de sources. Les constats permettent de conclure favorablement à l’idée de réaliser une investigation robuste en environnement complexe, basée pour les reconnaissances géophysiques uniquement sur la combinaison de traitement des différentes méthodes sismiques (réflexion, réfraction, MASW), acquises avec un même dispositif de capteurs. Néanmoins, des sources spécifiques à chaque méthode restent à préconiser. Enfin, pour de grands linéaires sur des pistes, des « landstreamers » relativement longs sont utilisables.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".