Bed and Bank Stress Partitioning in Bedrock Rivers
Notice bibliographique
Résumé
Abstract Approximation of bed and wall (bank) stresses in confined, narrow bedrock rivers is key to accurately assessing hydraulic roughness, sediment transport, bedrock erosion and the morphodynamics of bedrock channels. Here, we partition bed and wall stresses using the ray‐isovel model (RIM) and field observations. We used the RIM to calculate the distribution of shear stress across an idealized trapezoidal channel and found that the ratio of wall to bed stress ( ) grows slightly with increasing bank angles, but exponentially declines with increasing width‐to‐depth ratio. We applied the RIM to 26 of the canyons along the Fraser River and found that RIM predicts 0.60 0.98. We used field observations of bed and total stress to calculate wall stress in each canyon. The total stress was calculated from 1D momentum balance (depth‐slope product). The distribution of bed stress was calculated from near‐bed velocity profiles and showed that bed stress spikes as water enters constriction‐pool‐widening (CPW) sequences. For the majority of studied canyons, the observed wall stress is larger than the total stress and the observed bed stress. The maximum observed bed stress through a CPW sequence is ∼7.5 times the mean bed stress and ∼4.9 times the total stress. Compared with the observed stresses, the model systematically over‐predicts the observed bed stress and under‐predicts the observed wall stress by ∼55%. Our results reveal that the complex flow structure in bedrock canyons influences the distribution of bed and wall stresses and that bedrock walls contribute more hydraulic roughness than predicted with RIM.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».