A revisit of different models for flow resistance in gravel-bed rivers and hydraulic flumes
Notice bibliographique
Résumé
This work develops empirical equations for determining flow resistance through fitting a large number of empirically obtained data. Two models for determining flow resistance are developed to predict mean flow velocity by using an extensive database (N = 3507) from miscellaneous range of gravel-bed and mountainous rivers, representative of a wide hydraulic and geomorphologic condition. The first model is composed of six individual empirical equations which were fitted to the ratio of mean flow depth and hydraulic radius to coarser percentiles, D90 and D84, and median diameter, D50. Results indicate that the model which is fitted to the ratio of hydraulic radius to D84 is more preferable than the other equations. Since it is difficult to measure flow depth accurately in shallow water, another model which uses discharge as input was developed. A statistical analysis concluded results calculated using either the Ferguson equation or the Rickenmann and Recking equations are in good agreement with the measured values but better agreement is achieved by the newly parameterized equations presented here. In order to analyse the accuracy and the applicability of the proposed equations and the other recently developed flow resistance predictors, the equations were used to predict mean flow velocity of extensive database consisting of N = 1447 flume data. The newly developed equation and the Rickenmann and Recking equations which use discharge as input were also tested by using this new data set. One can see from the results that the new equation can predict mean flow velocity even more accurately than the Rickenmann and Recking equations. The results indicate better agreement between empirical data and calculated results for the newly parameterized equations than existing research.
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 | 0,001 | 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 ».