MétaCan
Menu
Retour à la cohorte
Enregistrement W1975329360 · doi:10.2166/wqrjc.2012.005

The effects of the spatial distribution of bottom topography and bottom drag on seiche-induced wave train formation

2012· article· en· W1975329360 sur OpenAlexaff
Anton Baglaenko, Marek Stastna, Derek Steinmoeller, Francis Poulin

Notice bibliographique

RevueWater Quality Research Journal · 2012
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueOceanographic and Atmospheric Processes
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésSeicheDragMechanicsHydrostatic equilibriumDissipationAmplitudeGeologyPerturbation (astronomy)Geotechnical engineeringPhysicsMeteorologyOpticsOceanography

Résumé

récupéré en direct d'OpenAlex

We consider the nonlinear, non-hydrostatic dynamics of seiches in small to medium-sized lakes. Using numerical simulations of shallow water equations modified to include weakly non-hydrostatic effects, we illustrate how spatially varying bottom drag and finite amplitude topography lead to the bending of wave trains that develop from the initial standing wave. For the case of variable topography, we discuss how the seiche and the wave trains that develop can resuspend material (e.g. nutrients) from the bottom of the lake and redistribute it in space. The numerical methods employed are spectrally accurate in space and second-order in time, yielding excellent accuracy and little numerical dissipation. We find that while the resuspension itself is largely due to the long standing waves at early times, the redistribution of nutrient distribution that is seen at later times is profoundly influenced by the development of the wave trains; a fundamentally non-hydrostatic effect.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,209
Score d'incertitude au seuil0,518

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,306
Écart entre enseignants0,258 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Quality Research JournalMême sujetOceanographic and Atmospheric ProcessesTravaux en français237 207