Utilisation de la chaleur pour la quantification des flux souterrains et la compréhension de l'hétérogénéité souterraine
Bibliographic record
Abstract
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.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".