Optimization of dam's spillway design under climate change conditions
Notice bibliographique
Résumé
Abstract The present research introduces a model to find the best shape of a dam's spillway under climate change impacts, considering a benchmark problem (i.e., Ute Dam's labyrinth spillway in the Canadian River watershed, New Mexico, USA). A spillway design is based not only on historical data but also on the future hydrologic events. Climate variables were predicted for the years 2021–2050 based on three representative concentration pathway (RCP2.6, RCP4.5, and RCP8.5) scenarios of the general circulation model from the fifth phase of the coupled model intercomparison project (CMIP5) using the statistical downscaling model. Streamflow at the USGS 07226500 streamgage was simulated by a rainfall–runoff model with predicted data. Instantaneous peak flow was estimated using an empirical method. Flood frequency analysis was used for the estimation of the design flood. The shuffled frog-leaping algorithm (SFLA) is used to optimize a labyrinth spillway design and its results were compared with two other nature-inspired algorithms: invasive weed optimization (IWO) and cuckoo search (CS). The spillway was optimized once with the actual design flood (16,143 m3/s) and again with the design flood under climate change (12,250 m3/s). Results revealed that optimization with realistic design flood reduced the concrete volume of the spillway by 37% and under climate change by 43% using the SFLA.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».