MétaCan
Menu
Retour à la cohorte
Enregistrement W2790855328 · doi:10.14796/jwmm.c446

Simulating Head Losses in Hydraulic Drop Structures in SWMM, with a Little Help from CFD

2018· article· en· W2790855328 sur OpenAlexvenueno aff
Peter Klaver, Jason Rutyna, David N. Collins, Kurt Robinson

Notice bibliographique

RevueJournal of Water Management Modeling · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueHydraulic flow and structures
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputational fluid dynamicsDrop (telecommunication)Flooding (psychology)Head (geology)Environmental scienceCivil engineeringHydrology (agriculture)Marine engineeringEngineeringGeologyGeotechnical engineeringMechanical engineeringAerospace engineeringGeomorphology

Résumé

récupéré en direct d'OpenAlex

The City of Portland, Oregon has cause to model instances of street flooding in the vicinity of hydraulic drop structures that feed into the Willamette combined sewer overflow tunnel system. Reproducing the events with a collection system model based on the U.S. EPA's Storm Water Management Model (SWMM) requires the representation of friction losses in the vortex generator structures. A modeling study was undertaken to better understand flows and losses in these structures, leading to enhancements to the City's collection system model to benefit the assessment of mitigation alternatives. A conceptual approach to representing the head losses in vortex structure generators within a SWMM-based modeling framework was developed, and the general applicability of the approach was tested through a series of computational fluid dynamics (CFD) model simulations covering a range of flow conditions. The CFD modeling demonstrated that the conceptual approach could represent head losses under the conditions of primary interest, which were fully submerged conditions with the potential to cause surface flooding. When the approach was implemented in SWMM, the observed flooding events were qualitatively reproduced.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,555

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 technologies0,0000,000
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 Opus0,012
Tête enseignante GPT0,228
Écart entre enseignants0,215 · 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'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

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Water Management ModelingMême sujetHydraulic flow and structuresTravaux en français237 207