An acoustic travel time method for continuous velocity monitoring in shallow tidal streams
Notice bibliographique
Résumé
Long‐term variations of streamflow in a tidal channel were measured using a Fluvial Acoustic Tomography (FAT) system through one transmission path. FAT is an innovative acoustic technology that utilizes the time‐of‐travel method to determine velocity between two points from multiple ray paths that traverse the entire cross‐section of stream. Due to high spatial variability of flow distribution stationary ADCP measurements were not likely to yield true section‐averaged flow velocity and moving‐boat ADCP method was therefore used to provide reference data. As such, two short‐term moving boat ADCP campaigns were carried out by the authors. In the first campaign, a couple of acoustic stations were added to the FAT system in order to resolve flow angularity in addition to the mean velocity. Comparing the FAT results with corresponding ADCP section‐averaged flow direction and velocity indicated remarkable consistency. Second campaign was designed to capture the influence of salt wedge intrusion on the sound propagation pattern. It was found that FAT velocity measurements bias high if acoustic stations lay inside the cooler freshwater layer. Ray‐tracing hindcasts suggest that installing acoustic stations inside the salt wedge may significantly improve function of output of the system. Comparing salinities evaluated from long‐term FAT travel time records with nodal salinity measurements provided by conductivity‐temperature sensors reveals the potential ability of FAT in measuring salt flux.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».