Dam ageing diagnosis and risk analysis: Development of methods to support expert judgment
Notice bibliographique
Résumé
Diagnosis and risk analysis are essential to ensure the safety of dams. Dam specialist engineers have useful methods available to help them in their task: physical modelling for assessing dam stability, statistical analysis of dam monitoring data, and, more recently, functional modelling for operational safety analysis. However, an expert's judgment is necessary when the works are complex and unique, when data are imprecise or insufficient, and when preliminary diagnosis or detailed analysis are being made. Using their experience and knowledge, dam specialist engineers are able to provide recommendations to address specific problems. The authors propose methods to support expert diagnosis and risk analysis that capitalize on the expert's knowledge and feedback. Their approach is threefold: (i) an ageing functional model based on the failure mode and effect analysis (FMEA) method using a causal graph representation of ageing scenarios leading to loss of functions; (ii) a qualitative method of describing dam ageing historical data and representing trends in performance loss; and (iii) qualitative methods to assess the risk of performance loss of dams and their components. In terms of practical applications, our research has produced a knowledge database on dam mechanisms. Also, an ageing historical database was compiled from dams that have experienced deterioration. Finally, we are developing computer aids to assist engineers in diagnosis and risk analysis tasks.Key words: dam, diagnosis, risk analysis, ageing, criticality.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».