Pipeline Geohazards Screening: Using Results of Flood Scour Assessments to Provide a Simple Screening Tool for Pipeline Watercourse Crossings for Western Canada
Notice bibliographique
Résumé
Abstract Pipeline watercourse crossing assessments typically require field investigations, river surveys, and detailed scour analyses to predict whether or not a pipeline may be subject to flood scour deeper than their depth of cover (DOC). Flood scour algorithms rely on discharge, median grain size, and some measure of channel cross-sectional area to determine the tractive force of water on the stream bed. These algorithms are applied to non-cohesive sediments typical of fluvial systems. To better define pipeline threats at a screening level, reducing unnecessary field and analytical expenses, and focusing effort on credible hazards, we developed a flood scour screening tool that uses return period discharge (Q) as the only input requirement. In order to develop the tool, we plotted the results of over 400 detailed scour assessments for several grain sizes (1100 data points) completed in Alberta and British Columbia, in 2017, 2018 and 2019. The results clearly show the importance of channel variability and grain size, but also show definable discharge related trends. We compared the results of the National Engineering Handbook (NEH) and the United States Bureau of Reclamation (USBR) methods, both of which use industry accepted algorithms. We developed, and provided herein, relationships that can be used to screen out scour assessments at watercourse crossings where DOC is already known, or to support and expedite field programs where DOC is being obtained. If only Q is known, then a single graph, or single equation is used for a given region using fine sand as the assumed median grain size. If both Q and median grain size are known, then the user can determine a slightly less conservative result from a series of complementary equations. In all cases, we propose using the mean result of the USBR method, originally intended for design, to fully capture the potential variability in the calculated NEH flood scour. While conservative, the tool is easy to use, and we expect it will substantially reduce the assessment effort on smaller, or less erosive streams.
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 | 0,001 | 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 ».