Statistical Evaluation of Groutability Using Data from Hydraulic Tests and Fracture Mapping Case Studies from Sweden
Notice bibliographique
Résumé
Sweden has a long history of research within the field of rock fissure grouting in hard crystalline rock mass due to strict environmental requirements regarding allowable ground water draw down. These requirements normally implies that fractures down to aperture size between 50 to 100 µm needs to be sealed and within these ranges the size of the particles for cementitious grouting agents becomes a limiting factor. For a grouting design it is therefore of importance to consider the aperture size distribution of the rock mass in order to predict the groutability for both cementitious and non-cementitious grouting agents. Transmissivity data from hydraulic tests (water pressure tests) and number of fractures along a borehole can be assessed from core logging for further use as input for a statistical interpretation of fracture data to simulate an aperture size distribution. A methodology developed at Chalmers University of Technology in Gothenburg, Sweden, is proposed. The method is a statistical evaluation of groutability (SEG) and is based on the Pareto distribution. A computational design tool has been developed to simplify the use of the statistical evaluation and to make the research more accessible to end users, designers, in the grouting industry. The aim of this article is to present two case studies where the statistical interpretation of fracture data is performed by using the computational design tool and how the outcome can be of great use in finding a more accurate grouting design. The case studies include fracture data sets from two large infrastructure rock tunnel projects in Sweden; a road tunnel in Stockholm and a railroad tunnel in Gothenburg.
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 | 0,002 | 0,004 |
| 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 | 0,001 |
| 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 ».