Impact-Detection Algorithm That Uses Point Clouds as Topographic Inputs for 3D Rockfall Simulations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Numerous 3D rockfall simulation models use coarse gridded digital terrain model (DTM raster) as their topography input. Artificial surface roughness is often added to overcome the loss of details that occurs during the gridding process. Together with the use of sensitive energy damping parameters, they provide great freedom to the user at the expense of the objectivity of the method. To quantify and limit the range of such artificial values, we developed an impact-detection algorithm that can be used to extract the perceived surface roughness from detailed terrain samples in relation to the size of the impacting rocks. The algorithm can also be combined with a rebound model to perform rockfall simulations directly on detailed 3D point clouds. The abilities of the algorithm are demonstrated by objectively extracting different perceived surface roughnesses from detailed terrain samples and by simulating rockfalls on detailed terrain models as proof of concept. The results produced are also compared to that of rockfall simulation software CRSP 4, RocFall 8 and Rockyfor3D 5.2.15 as validation. Although differences were observed, the validation shows that the algorithm can produce similar results. With the presented approach not being limited to coarse terrain models, the need for adding artificial terrain roughness or for adjusting sensitive damping parameters on a per-site basis is reduced, thereby limiting the related biases and subjectivity.
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.
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 | 0,001 |
| 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) | 0,001 | 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 découle