A practical framework to assess the hydrodynamic impact of ship waves on river banks
Notice bibliographique
Résumé
Abstract The temporal alteration of the hydrodynamic regime in rivers due to navigation has significant effects on riverine ecosystems. Most of the key mechanisms and interactions between hydrodynamic and ecological variables have already been revealed; however, the quantitative evaluation of biotic and abiotic variables still stands a challenge. This paper aims to present a thorough, spatiotemporal framework, involving field and computational tools, for the assessment of wave hydrodynamics in the littoral zone of rivers, where its ecological relevance is the most significant. The temporal variation of significant wave heights is derived from high‐frequency pressure measurements, offering a well‐comparable statistical evaluation of individual wave events considering the duration of different wave intensities. Acoustic Doppler velocimetry (ADV) is used for the assessment of near‐bank velocities, from which the secondary wave‐related components have been filtered offering relevant validation data for numerical modelling. The small footprint of the ADVs is extended with up‐to‐date computational fluid dynamics modelling. Wave spectra derived from the pressure measurements are used as boundary conditions for phase‐resolved irregular wave modelling with the level set method based numerical model REEF3D. The properly validated model offers the assessment of the most relevant hydrodynamic variables (e.g., velocity or turbulent kinetic energy) in a spatially extended manner, from which the hydrodynamic footprint of the wave events can be interpreted in a statistical fashion. The implementation of the proposed framework is illustrated through a case study at a Hungarian section of the Danube River.
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 | 0,000 | 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) | 0,001 | 0,001 |
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 ».