Modelling the Effects of Soil Properties, Rainfall and Road Geometry to Erosion in Unpaved Roads
Notice bibliographique
Résumé
Erosion of soils seriously challenges the sustainability and safety in unpaved roads. It leads to faster deterioration of these roads by formation of rills and gullies in the running surface. Many factors related to the soil properties, rainfall parameters, and road geometry affect erodibility of soils at the surface of unpaved roads. However, little is known about the relationships between those factors of erodibility for a single rainfall event. This paper models the contributions of soil properties, intensity and duration of the rainfall, and road's length and gradient to the quantity of eroded soils from unpaved roads. For a 30-minute duration and two consecutive days; rainfall intensities of 30 mm/hr, 51 mm/hr and 68 mm/hr were used to test the erodibility of soils. The tested bed surfaces were set at slopes of 0% and 6%, in a small (large)-scale testing box of 0.6 m (1.2 m) x 0.3 m x 0.17 m (length x width x height). RapidMiner Studio software was used to predict quantities of eroded soils based on the measured eroded soils under the same influencing factors of erodibility. Six predictive models were developed based on the first-and second-day rainfall events. The predictive models can perform well with the Nash and Sutcliffe's coefficients of efficiency (ME) ranging from 0.62 to 0.74. Also, clay content and mean particle size of the surface soils, rainfall intensity and slope gradient were the most contributing factors to the quantity of eroded soils from unpaved roads.
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 ».