MétaCan
Menu
Retour à la cohorte
Enregistrement W4221132241 · doi:10.1061/9780784484036.025

RLEM versus RFEM in Stochastic Slope Stability Analyses in Geomechanics

2022· article· en· W4221132241 sur OpenAlex
Sina Javankhoshdel, Moslem Rezvani, Mahtab Fatehi, Reza Jamshidi Chenari

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueGeo-Congress 2022 · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueGeotechnical Engineering and Analysis
Établissements canadiensGeomechanica (Canada)Rocscience (Canada)
Organismes subventionnairesnon disponible
Mots-clésStability (learning theory)GeomechanicsSlope stability analysisReliability (semiconductor)Slope stabilityGeotechnical engineeringProbabilistic logicStochastic processRandom fieldComputer scienceMathematicsGeologyStatisticsMachine learning

Résumé

récupéré en direct d'OpenAlex

Spatial variability of geotechnical engineering parameters is an incontrovertible feature, which cannot be overlooked when embarking on stability analyses in soil mechanics. A plethora of methodologies and studies is reported by different researchers across the globe, all bearing witness to the crucial importance of the probabilistic/stochastic variation of soil strength parameters. However, the reliability of different methodologies in substantiation of the inherent variability of natural deposits is not necessarily similar. Chronologically, the Random Finite-Element Method (RFEM) first emerged to contribute to this field. However, with some very promising results, it now transpires that the Random Limit Equilibrium Method (RLEM) is a very robust technique in slope stability analysis, when comparing both the accuracy and time efficiency involved in the calculation process. The current study aims to shed more light on the issue by investigating some comparative stochastic slope stability analyses. Results of some RLEM slope stability analyses are compared with some corresponding RFEM results on a one-on-one basis. The brilliant performance of RLEM in this study obviates the need for cumbersome RFEM calculations, at least in the realm of stochastic slope stability analysis.

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 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)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,030
Tête enseignante GPT0,259
Écart entre enseignants0,229 · 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