Boone Dam Test Grout Program: Objectives, Engineering Design, and Observations
Notice bibliographique
Résumé
On October 20, 2014 a sinkhole appeared near the downstream toe area of the earthfill embankment at Boone Dam, followed by turbid seepage discharge into the tailrace. These events initiated a large-scale, multi-faceted response by the Tennessee Valley Authority (TVA) and its engineering partners. Seepage issues were determined to be related to internal erosion and loss of soils within the karst foundation. Evaluation of grouting techniques for short-term and long-term mitigation were considered. Many questions had to be considered: 1) What are the objectives to be addressed by grouting? 2) What grouting techniques are viable to satisfy the objectives in a karst environment with significant clay infilling? 3) What are the uncertainties, risks, and benefits of grouting at Boone Dam? 4) How can these uncertainties, risks, and benefits be evaluated? A test grouting program (i.e., field study) was designed and executed to evaluate the potential for low mobility grouting (LMG) techniques for treatment of the soil-infilled karst. Multiple test areas were designed, each with specific objectives, hole layouts, grouting techniques, instrumentation, and engineering evaluation factors. The program was designed to allow field adjustments to be made by the engineering team based on observed performance and long-term mitigation strategies. The study demonstrated that the behavior of LMG is dependent on the slump of the mix, grain size distribution of the aggregate, and the presence or absence of fly ash. The study also demonstrated that displacement grouting (using LMG) within the epikarst (transition zone between soil and karstic limestone) may result in significant and sometimes unanticipated piezometric and ground responses.
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 | 0,001 |
| 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 | 0,001 | 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 ».