Material Point Method: algorithm development and application to landslide modelling
Notice bibliographique
Résumé
Landslides are a serious natural hazard which causes loss of lives and damages the infrastructure all around the world. Therefore, to protect the infrastructure and reduce the fatalities, one needs to have a proper numerical tool that can predict a completed process of landslides from the triggering phases, the onset of the failure and post-failure to the final deposition. This research investigates the landslides from the geotechnical engineering point of view and by means of recent advanced numerical method, so-call Material Point Method (MPM). Indeed, the MPM has been recently used for back-analyses of many landslides in the past ten years. However, there is very little research to access the reliability of the MPM for the landslide modelling even when there are some concerns on the numerical stability and accuracy of the MPM which reported in literature. This poses a challenge to improve the algorithmic performance of the MPM to make this method more attractive and reliable for landslide modelling. Motivated by this challenge, this work aims to validate the capability of the MPM with various benchmarks and replicate a spread failure of a sensitive clay landslide in Sainte-Monique, Quebec in 1994. The extensive validations can reveal the advantages and limitations of the MPM in order to improve the MPM formulation. The contribution of this research is to enhance the stability and the accuracy of the MPM. The former is done by mitigating non-physical velocity/pressure oscillations using a temporal and a null-space filter for the MPM. The latter is to improve the spatial convergence rate of the MPM by using an improved moving least squares method and gradient velocity enhancement. Overall, these proposed developments improve the MPM algorithm and potentially apply to the multi-phase MPM in the future.
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) | 0,000 | 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 ».