Probabilistic seismic-hazard site assessment in Kitimat, British Columbia, from Bayesian inversion of surface-wave dispersion
Notice bibliographique
Résumé
This paper applies rigorous quantitative inversion methods to estimate seismic-hazard site classification and amplification factors in Kitimat, British Columbia, due to near-surface geophysical conditions. Frequency-wavenumber seismic-array processing is applied to passive data collected at three sites in Kitimat to estimate surface-wave dispersion. The dispersion data are inverted using a fully nonlinear Bayesian (probabilistic) inference methodology to estimate shear-wave velocity (V S ) profiles and uncertainties. The V S results are used to calculate the travel-time average of V S to 30 m depth (V S30 ) as a representation of the average sediment conditions, and to determine seismic-hazard site classification with respect to the National Building Code of Canada. In addition, V S30 -dependent site amplification factors are computed to estimate site amplification at the three Kitimat sites. Lastly, the V S profiles are used to compute amplification and resonance spectra for horizontally polarized shear waves. Quantitative uncertainties are estimated for all seismic-hazard estimates from the probabilistic V S structure. The Kitimat region is the site for several proposed large-scale industrial development projects. One of the sites considered in this study is co-located with a recently deployed soil seismographic monitoring station that is currently recording ground motions as part of a 5 year campaign. The findings from this work will be useful for mitigating seismic amplification and resonance hazards on critical infrastructure, as well as for future seismological research, in this environmentally and economically significant region of Canada.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».