Effect of Adverse Pressure Gradient and Different Vegetated Banks on Flow
Notice bibliographique
Résumé
Abstract This study examines velocity components in 3D and shear stress distributions in flows with adverse pressure gradient over a gravel‐bed channel using three types of vegetation on banks, rice, straw and Typha stems. Results of this experimental study are compared with those for flows in the bare bank channel. Results show that the flows with adverse pressure gradient are not self‐similar in vegetated and bare banks channels. The logarithmic law and parabolic law can be used to well describe flow in the inner and outer regions, respectively, but with different relative flow depths. Shear stress distributions depend on nature of bank roughness and the secondary flow effects because of small values of the aspect ratio and adverse pressure gradient. Quadrant analysis is performed to investigate the effect of different vegetation covers on the Reynolds stress distributions at the central axis of channel and near the vegetated banks. Vegetation covers influence the contributions of different quadrants to the shear stress distribution, showing that sweeps and ejections are dominant events for all vegetated banks for near bed region. However, near the water surface the contributions of outwards and inwards for banks with Typha stems are more important than those for rice and straw. Instead of using a single value for friction factor, for different vegetated banks, a range of friction factor has to be applied in river restoration projects. Vegetated banks result in an increase of more than 60% in friction factor in comparison with that for bare banks under adverse pressure gradient flows. Copyright © 2015 John Wiley & Sons, Ltd.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».