A benchmarking study of four numerical runout models for the simulation of tailings flows
Notice bibliographique
Résumé
Numerical runout models are important tools for predicting the potential downstream impacts of tailings dam breaches that generate tailings flows, which is a crucial step in emergency preparedness and planning, and risk management. Most existing runout models were originally developed for the analysis of water floods or flow-like landslides (e.g. debris flows). In this study, we back-analyze two well-documented historical tailings dam breaches (1985 Stava, Italy and 1994 Merriespruit, South Africa) using four numerical models (DAN3D, MADflow, FLO-2D and FLOW-3D). The main objective of this multi-case, multi-model benchmarking exercise is to identify collective opportunities to adapt these types of models and associated modelling methods to tailings dam breach runout applications. Comparing best-fit simulation results, we find that all four models are capable of reproducing the bulk behaviour of the real events; however, (i) multiple sets of rheological parameters may produce very similar output results, (ii) the best-fit input parameter combinations are non-transferable between models and inconsistent with independently measured rheological properties of stored tailings, and (iii) choosing an appropriate set requires sufficient understanding of material rheological properties and expert judgment. Using a systematic sensitivity analysis with the First-Order Second-Moment (FOSM) approach, we also find that each model is sensitive to different input parameters, although the total released volume is among the main high-influence parameters in every scenario. We conclude that more case study back-analyses are needed to enhance our understanding of these sensitivities and develop better guidance on the use of these types of numerical models for tailings flow runout prediction.
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 | 0,001 | 0,001 |
| 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 ».