Real-time monitoring and forecasting of dike strength
Notice bibliographique
Résumé
Real-time monitoring and forecasting provides useful information in early warning situations for emergency response as part of a modern (flood) risk management. This paper presents a case study of a coastal dike line, where multiple sensors are installed to measure in real-time the water level outside and inside the dike. The dike stability is calculated based on the inputs of the phreatic line and on the schematization of the subsoil. The resulting safety factor is a direct assessment of the dike strength in real-time. For a prediction of the dike performance, fragility curves are derived within a model-based probabilistic analysis for different failure mechanisms: overflow, wave overtopping, wave impact, wave erosion, piping, micro-and macro-stability are considered. They are combined in one overall fragility curve that represents the total probability of failure per dike cross-section as a function of the water level. By combining forecasted water levels and fragility curves, it is possible to get a prediction of the dike reliability. The two workflows of real-time monitoring and forecasting of dike strength are being integrated into the FEWS-DAM Live software system. This allows for the visualization of real-time and historical data of dike stability and probability of failures based on the forecasted water levels. The generated results provide precise information for the emergency response, such as location, timing and probability of failure of specific sections of the flood defense line. With the help of this information, emergency measures that apply to the flood defense line (e.g. starting from increased inspection intervals up to temporally dike enforcement) can be operationally planned, adapted to the situation and triggered.
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 ».