Strength characterization of rock masses, using a coupled DEM-DFN model
Notice bibliographique
Résumé
A discrete element model (DEM) is used to study the mechanical behaviour of a pre-fractured brittle medium subjected to triaxial loadings where progressive failure can occur. The initial discrete fracture network (DFN) is based on a fractal distribution and it is used to characterize the influence of clustering and size distribution of pre-existing fractures, on the strength of fractured rock masses. The proposed approach captures the progressive failure process occurring in the rock matrix as shearing displacement takes place along pre-existing discontinuities. The results show that the mechanical behaviour of fractured rock masses is mainly dependent on the fracture intensity. However, for a given fracture intensity, the strength can exhibit a 50 per cent variability depending on the size distribution of the pre-existing fractures. This difference can be attributed to the different mechanisms that involve sliding and crushing of blocks in the case of large interconnected fractures or progressive failure of the rock matrix through coalescence of cracks in the case of small unconnected fractures. Clustering of fractures was found to influence the spatial variability of the mechanical properties and therefore to have a scale effect on strength. The results outline the relevance of three parameters, the power-law exponent of the fracture size distribution, the clustering fractal dimension which fixes the fracture-to-fracture correlation number and the fracture intensity, to characterize the mechanical behaviour of rock masses.
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 | 0,000 |
| 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 ».