MétaCan
Menu
Retour à la cohorte
Enregistrement W3165332213 · doi:10.1155/2021/9921881

The Reliability‐Based Design Optimization of considering Rock‐Support Interaction for Rock Tunnels

2021· article· en· W3165332213 sur OpenAlexaff
Hongbo Zhao, Shaojun Li, Bingrui Chen

Notice bibliographique

RevueAdvances in Civil Engineering · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueGeotechnical Engineering and Analysis
Établissements canadiensGeomechanica (Canada)
Organismes subventionnairesInstitute of Rock and Soil Mechanics, Chinese Academy of SciencesState Key Laboratory of Geomechanics and Geotechnical EngineeringChinese Academy of Sciences
Mots-clésReliability (semiconductor)Particle swarm optimizationSolverConvergence (economics)Computer scienceStability (learning theory)Geotechnical engineeringMathematical optimizationAlgorithmEngineeringMathematics

Résumé

récupéré en direct d'OpenAlex

Uncertainty is critical to the tunnel design. In this study, a novel reliability‐based design (RBD) method was developed by integrating the rock‐support interaction and its uncertainties for rock tunnels. In this method, the rock‐support interactions were analyzed based on a convergence‐confinement method. Uncertainties were estimated by reliability analysis using Excel Solver. Chaotic particle swarm optimization (CPSO) was adopted to search the optimal tunnel design parameters based on the rock‐support interaction analysis. The proposed method for estimating the reliability index and determining the tunnel support parameters was introduced in detail. To illustrate the proposed method, it was applied to two tunnels with rock‐bolt and combined support systems. The results indicated that the method could obtain accurate solutions with a dramatically improved computing efficiency, guaranteeing the tunnel stability at the same time. The developed method provides an excellent way to deal with the uncertainty in tunnel design. It was proved to be an efficient and effective method for the support designs of rock tunnels.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,956
Score d'incertitude au seuil0,708

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,233
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in Civil EngineeringMême sujetGeotechnical Engineering and AnalysisTravaux en français237 207