Application of Unmanned Aerial Vehicle Data and Discrete Fracture Network Models for Improved Rockfall Simulations
Notice bibliographique
Résumé
In this research, we present a new approach to define the distribution of block volumes during rockfall simulations. Unmanned aerial vehicles (UAVs) are utilized to generate high-accuracy 3D models of the inaccessible SW flank of the Mount Rava (Italy), to provide improved definition of data gathered from conventional geomechanical surveys and to also denote important changes in the fracture intensity. These changes are likely related to the variation of the bedding thickness and to the presence of fracture corridors in fault damage zones in some areas of the slope. The dataset obtained integrating UAV and conventional surveys is then utilized to create and validate two accurate 3D discrete fracture network models, representative of high and low fracture intensity areas, respectively. From these, the ranges of block volumes characterizing the in situ rock mass are extracted, providing important input for rockfall simulations. Initially, rockfall simulations were performed assuming a uniform block volume variation for each release cell. However, subsequent simulations used a more realistic nonuniform distribution of block volumes, based on the relative block volume frequency extracted from discrete fracture network (DFN) models. The results of the simulations were validated against recent rockfall events and show that it is possible to integrate into rockfall simulations a more realistic relative frequency distribution of block volumes using the results of DFN analyses.
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 ».