Assessing the Hazard from Aging dams in the U.S.A.
Notice bibliographique
Résumé
Climate change, inadequate maintenance, and aging beyond the design life increase the probability of dam failure. Dam failures can have significant social, financial, and environmental impacts. Financial losses can extend beyond infrastructure replacement costs, with cascading effects in multiple sectors such as electricity, transportation, water supply, and environmental services. The existing dam hazard classifications in the United States do not formally characterize “hazard hotspots” considering these impacts. Given that there are over 90,000 dams with different states of disrepair, maintenance, and budgetary constraints, a better way to rank their potential hazard and allocate resources for risk mitigation is needed. We present an approach that is scalable over many regions for rapidly assessing the magnitude and exposure of a dam failure for a preliminary ranking of the priority areas of concern. The estimation of the consequences of a dam failure including financial losses, affected critical infrastructure, and population is addressed using publicly available dam break and consequence tools and national infrastructure datasets. Dams can be ranked using seven criteria following the Analytical Hierarchical Process. The application of the framework is demonstrated with dams in the Cumberland River Basin. The main barrier to applying this approach at a national scale is the estimation of the inundation area upon dam failure, and we outline a strategy to implement it. The importance of increasing the resilience of dams is becoming more critical given the increasing interest in hydropower as a renewable energy source in the face of climate change.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».