MétaCan
Menu
Retour à la cohorte
Enregistrement W2027811739 · doi:10.1061/41165(397)337

Case Study—Railway Embankment Widening for CN Rail and GO Transit

2011· article· en· W2027811739 sur OpenAlexaffabout
I. Glenn Caverson, D Lowry

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueGeotechnical Engineering and Soil Stabilization
Établissements canadiensHatch (Canada)
Organismes subventionnairesnon disponible
Mots-clésScheduleTransport engineeringRail transitTrack (disk drive)Service (business)Railway engineeringLeveeThird railIntersection (aeronautics)EngineeringComputer scienceCivil engineeringGeotechnical engineeringBusiness

Résumé

récupéré en direct d'OpenAlex

GO Transit, The Greater Toronto Area's commuter rail/bus system is currently undergoing an expansion in service. Part of this expansion is an improvement in the limited rail service between Toronto and Hamilton Ontario. In some cases, in order to meet the increased commuter volume, it is necessary to add additional tracks to accommodate the existing and future rail traffic. This is the case on the Lakeshore West Line where a third track was only the way to meet demand. In the Lorne Park area of Mississauga, existing conditions did not provide sufficient room for a number of rail embankments to be widened without the use of an earth retention system. Numerous retaining wall and over-steepened slope options were considered for seven distinct locations. The ultimate solution was a prototype Mechanically Stabilized Earth (MSE) retaining wall that combined a steel fascia with geosynthetic reinforcement. This case study will examine the various aspects of this project from the initial stages of design, through the various solution options, to the development of the final solution. With a restricted time schedule and construction constraints, the paper will also detail how those major obstacles were successfully overcome in the completion of this project.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Étude de cas · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,965
Score d'incertitude au seuil0,070

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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 Opus0,030
Tête enseignante GPT0,210
Écart entre enseignants0,180 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeÉtude de cas
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

Citations3
Publié2011
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetGeotechnical Engineering and Soil StabilizationTravaux en français237 207