MétaCan
Menu
Retour à la cohorte
Enregistrement W2620940893 · doi:10.1061/9780784480717.003

Deformation Monitoring for the Assessment of Sacramento Delta Levee Performance

2017· article· en· W2620940893 sur OpenAlexaff
Victoria Bennett, Cathleen E. Jones, David Bekaert, Jason Bond, Amr Helal, J. Dudas, Mohammed A. Gabr, Tarek Abdoun

Notice bibliographique

RevueGeo-Risk 2017 · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueSynthetic Aperture Radar (SAR) Applications and Techniques
Établissements canadiensThe Audio Recording Academy
Organismes subventionnairesnon disponible
Mots-clésLeveeSubsidenceDeformation (meteorology)GeologyPeatRemote sensingSettlement (finance)Deformation monitoringFoundation (evidence)Geotechnical engineeringEnvironmental scienceGeomorphologyComputer scienceGeography

Résumé

récupéré en direct d'OpenAlex

The Sacramento Delta levee network plays a vital role in supporting the United States’ largest agricultural production and the municipal water supply for millions of people. Beyond the potential for earthquake-induced failure, performance monitoring of the levee system on the network level and the assessment of potential distress levels are needed for the maintenance and rehabilitation of this system. In this case, critical deformation needs to be assessed especially in view of the levees age, sea level rise, and ongoing subsidence due to the decomposition of the peat foundation layer. The work presented herein describes the remote sensing of a levee section deformation with time. The levee section is located on Sherman Island, CA, and monitoring was conducted in situ by GPS, in addition to remote sensing by airborne synthetic aperture radar and satellite systems. Coupled deformation/seepage numerical analysis of the levee section is performed using PLAXIS. The numerical model included characterization of the unsaturated-saturated zones and the peat foundation layer. Key parameters of the peat layer were synthesized from published data to provide baseline assessment for the current condition of the levee system in view of the measured rate of deformation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,977
Score d'incertitude au seuil0,390

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,298
Écart entre enseignants0,274 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGeo-Risk 2017Même sujetSynthetic Aperture Radar (SAR) Applications and TechniquesTravaux en français237 207