Simulations of Landslide Wave Generation and Propagation Using the Particle Finite Element Method
Notice bibliographique
Résumé
Abstract In this study, the impulse waves generated by highly mobile slides in large‐scale flume experiments are reproduced numerically with the Particle Finite Element Method (PFEM). The numerical technique combines a Lagrangian finite element solution with an efficient remeshing algorithm and is capable of accurately tracking the evolving fluid free‐surface and velocity distribution in highly unsteady flows. The slide material is water, which represents an avalanche or debris flow with high mobility, and the reservoir depth is varied, thereby achieving a range of different near‐field wave conditions from breaking waves to near‐solitary waves. In situ experimental observations of fluid velocity and water surface levels are obtained using high‐speed digital cameras, acoustic sensors, and capacitance wave probes, and the data are used to analyze the accuracy of the PFEM predictions. The two‐dimensional numerical model shows the capability of holistically reproducing the entire problem from landslide motion, to impact with water, to wave generation, propagation, and runup. Very good agreement with the experimental observations are obtained, in terms of landslide velocity and thickness, wave time series, maximum wave amplitude, wave speed, and wave shape. In a broad perspective, the results demonstrate the potential of this numerical method for predicting outcomes of interacting multi‐hazard scenarios, such as landslides triggered by loss of slope stability and the generation of tsunami.
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 | 0,001 | 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 ».