2022 conference-paper

A machine learning approach for groundwater modeling

Mario G. C. A. Cimino, Manel Ennahedh, Federico A. Galatolo, Nejla Hariga-Tlatli, Issam Nouiri, Nicola Perilli, Jamila Tarhouni

5Citations signalées, ce qui n’est pas une note de qualité

3Institutions déclarées

2Pays d’affiliation déclarés

Rattachement africain : it, Tunisie. Niveau de preuve : code pays fourni par la source.

Le résumé fourni par la source

This paper introduces a novel method and tools for groundwater modeling. The purpose is to perform numerical approximations of a groundwater system, for unlocking and paving water management problems and supporting decision-making processes. In the last decade, Data-driven Models (DdMs) have attracted increasing attention for their efficient development made possible by modern remote and ground sensing and learning technologies. With respect to conventional Process-driven Models (PdMs), based on mathematical modeling of core physical processes into a system of equations, a DdM requires less human effort and process-specific knowledge. The paper covers the design and simulation of a deep learning modeling tool based on Convolutional Neural Networks, integrated with the design and simulation of the workflow based on the Business Process Model and Notation (BPMN). Experimental results clearly show the potential of the novel approach for scientists and policy makers.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref: A machine learning approach for groundwater modeling
Date Crossref: 28/05/2022
Éditeur: IEEE
Type: proceedings-article

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Où se fait cette recherche

University of Pisa Dept. Information Engineering pays non établi dans la notice
Université ou école supérieure
University of Carthage National Agronomic Institute of Tunisia National Agronomic Institute of Tunisia, Tunisie (code pays fourni par la source)
Université ou école supérieure
Institut National Agronomique de Tunisie Tunisie (code pays fourni par la source)
Université ou école supérieure

Dept. Information Engineering — University of Pisa, National Agronomic Institute of Tunisia — University of Carthage (National Agronomic Institute of Tunisia, Tunisie) et Institut National Agronomique de Tunisie (Tunisie). Pays d’affiliation : Tunisie.

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Reservoir Engineering and Simulation MethodsHydrological Forecasting Using AIScientific Computing and Data Management

Consulter la publication primaire Ouvrir le DOI