MétaCan
Menu
← Retour à la cohorte
Enregistrement W2755282095 · doi:10.1139/cjce-2017-0142

Numerical studies for a better understanding of static ice loads on dams

2017· article· en· W2755282095 sur OpenAlexafffundvenue
Ekaterina Kharik, Brian Morse, Varvara Roubtsova, Mario Fafard, Alain Côté, George Comfort

Notice bibliographique

RevueCanadian Journal of Civil Engineering · 2017
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueCryospheric studies and observations
Établissements canadiensInuit Tapiriit KanatamiHydro-QuébecUniversité Laval
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesNatural Sciences and Engineering Research Council of CanadaHydro-Québec
Mots-clésFinite element methodStructural engineeringGeotechnical engineeringThermalSnowEnvironmental scienceGeologyEngineeringMeteorologyGeomorphology

Résumé

récupéré en direct d'OpenAlex

It is important to anticipate potential maximum ice loads to ensure the structural stability of dams in cold climates. Finite element modeling (FEM) can provide some insights into process mechanisms. Four important ice-loading events on dams are presented and simulated. The measured loads were caused by the thermal expansion of ice together with intermediate water level fluctuations. Only the thermal expansion is modeled by the FEM, but the impact of water level fluctuations can increase lateral confinement that increases the predicted load by 36% to 106%, particularly when the cover contains mostly columnar ice. It is demonstrated that the presence of snow ice in the cover can decrease the predicted load by 35% to 53%. The study also demonstrates how initial stresses in the ice can affect the ultimate load and show that the very-difficult-to-manage delayed-elastic strain term need not be included in the material model where preliminary results suffice.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,069
Tête enseignante GPT0,255
Écart entre enseignants0,187 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations12
Publié2017
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Civil Engineering→Même sujetCryospheric studies and observations→Travaux en français237 207→