Notice bibliographique
Résumé
In the last few years, the standards and design practices used for retention structures (dams) have been adjusted to prevent these structures from being damaged by natural disasters. Some older dams, formerly considered safe, do not meet the current standards, causing safety concerns to all groups responsible for these structures. The risk analysis approach is most commonly used for evaluating the necessity, urgency and cost of measures necessary to bring or to maintain the dams up to present-day standards. There are several methods for assessing dam risk. These methods are complementary and used together they cover all aspects of a risk study: analysis, assessment, management and risk minimization. When applied together, they become a reliable decision-making tool for the structure management team when regarding intervention on structures. Polytechnic School of Montreal has developed a model, CERBERE (French acronym for control of the risk state of water-retaining dams), that automates ten methods used to evaluate dam risk. The methods analyze, assess and manage the dam risk. The results obtained from each method are saved in a database and interpreted in a comparative analysis. The degree of risk to the relevant dam is presented in a visual format and through a series of synthesis tables. Using these results, the dam management team can make informed decisions in order to maintain the conformity of the relevant structures with existing standards. This presentation will demonstrate how this model systematize and accelerate the risk assessment process. The methodology used will be illustrated by an application to a hydraulic structure located in the province of Quebec. © 2002 WIT Press, Ashurst Lodge, Southampton, SO40 7AA, UK. All rights reserved. Web: www.witpress.com Email witpress@witpress.com Paper from: Hydraulic Information Management, CA Brebbia and WR Blain (Editors). ISBN 1-85312-912-7
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 | 0,001 |
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 ».