Reliability-Based Geotechnical Engineering
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The ground is a complex engineering material and how to characterize it realistically is a very difficult problem. It is well known that the engineering properties of the ground can vary quite dramatically from point to point throughout a site, and even more so from site to site, and that these properties are highly uncertain. It is also well known that the ground, when subjected to an imposed or self-load, will fail along its weakest path, however tortuous that might be. Given the complexity of the ground, it makes sense to characterize the ground using models which allow for its quite uncertain spatial variability. It also makes sense to use response prediction models which take both spatial variability in ground properties and the tendency of failure to follow weakest paths through the ground into account. The Random Finite Element Method (RFEM) combines spatially varying random field ground models with the finite element method to yield a reliability-based geotechnical methodology which accounts for both spatial variability and weakest path failure mechanisms. Besides being able to realistically model spatial variability in ground properties along with being able to follow the weakest path through the soil, mass, RFEM also provides the significant advantage of being able to account for site understanding in the design process. This paper describes the Random Finite Element Method along with a few of its significant results over a variety of common geotechnical problems. The latter include ground-water modeling, shallow foundation settlement and bearing capacity, deep foundation capacity, and slope stability. LRFD code development will be discussed along the way.
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.
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 | 0,000 |
| 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) | 0,000 | 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 découle