MétaCan
Menu
Retour à la cohorte
Enregistrement W3009959647 · doi:10.1007/s12205-020-0671-4

Mitigation of Temperature-Induced Curling of Concrete Roadbed along High-Speed Railway: In situ Experiment and Numerical Simulation

2020· article· en· W3009959647 sur OpenAlexaff
Yuan Yu, Liang Tang, Xianzhang Ling, Degou Cai, Yangsheng Ye, Lin Geng

Notice bibliographique

RevueKSCE Journal of Civil Engineering · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueRailway Engineering and Dynamics
Établissements canadiensGeomechanica (Canada)
Organismes subventionnairesnon disponible
Mots-clésCurlingGeotechnical engineeringEnvironmental scienceEngineeringStructural engineeringMechanical engineering

Résumé

récupéré en direct d'OpenAlex

The concrete roadbed in the Beijing-Shenyang high-speed railway (HSR) is being serviced for the first time in HSR construction history. Rail inspections have shown that the extreme temperature conditions in seasonally freezing regions can significantly influence the curling behavior of concrete roadbeds. This paper presents an in situ experiment to fundamentally evaluate the impact of seasonal temperature variations on the curling behavior of concrete roadbeds. Herein, a thermomechanical coupled finite element (FE) model is built and calibrated with experimental data. Then, specific consideration is given to the curling mitigation measures, including adjusting the thickness, length, and construction form of the concrete roadbed. Mitigating upward-curling behavior by increasing the thickness of the concrete roadbed will result in severe downward-curling behavior during one year of service. Finally, an active groove-setting construction form is suggested to prevent curling from the temperature variations in the concrete roadbed. In general, this study further enhances the common understanding of the temperature curling behavior of concrete roadbeds serviced in an HSR.

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

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 Opus0,008
Tête enseignante GPT0,214
Écart entre enseignants0,206 · 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

Citations2
Publié2020
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueKSCE Journal of Civil EngineeringMême sujetRailway Engineering and DynamicsTravaux en français237 207