Détection de collerettes de bentonite par diagraphie de rayonnement gamma naturel dans les puits d'eau souterraine du Québec
Bibliographic record
Abstract
Le MELCC souhaite se munir d'un protocole de détection de collerettes de bentonite dans les puits d'eau souterraine afin d'identifier les puits où ce matériau scellant a été omis lors de l'installation. Pour ce faire, l'utilisation d'une sonde spectrale à rayons gamma est envisagée puisqu'elle a la capacité de mesurer la radiation gamma issue de la bentonite, et peut être employée dans un tubage d'acier, au-dessus et en-dessous de la nappe phréatique.Une sonde QL40-SGR de Mount Sopris Instruments a été utilisée pour investiguer 18 puits d'eau souterraine du Québec dont la moitié est aménagée avec une collerette de bentonite. Le traitement de données du spectre de rayonnement gamma a permis de déterminer les concentrations en K et Th en fonction de la profondeur de chacun de ces puits.Il a été démontré que différentes populations argileuses peuvent être idenfitiées sur les isocontours de l'estimation de la densité de probabilité des concentrations en Th et K d'un puits. Ces populations sont issues des formations géologiques argileuses présentes au tour du puits, et peuvent révéler la présence d'une collerette de bentonite par une population supplémentaire à celles attendues. De plus, l'utilisation d'un algorithme de partitionnement des données en k-moyennes permet d'étudier la relation entre l'appartenance d'un point de mesure à une population argileuse et sa profondeur dans le puits. Un diagnostic concernant la présence ou l'absence d'une collerette de bentonite peut ainsi être posé dans deux cas sur trois, et ce diagnostic est réussi dans plus de 92 % des cas. L'utilisation d'un algorithme dont le partitionnement est basé sur la densité des points de mesure tel que Ordering Points to Identify Clustering Structure(OPTICS) pourrait permettre une amélioration du nombre de diagnostics posés.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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".