Use of Stochastic DFN-DEM Modelling for Overall and Inter-Ramp Slope Stability Analysis
Notice bibliographique
Résumé
Abstract Geometric Discrete Fracture Network (DFN) models are constructed in this research project, where limited and insufficient field structural data were exploited statistically in terms of observed parameter distribution at the mine-scale perspective. The construction of a DFN model employing a disaggregate technique was suggested by descriptive statistics of intensities (P10), orientation and length. The DFN model was validated by field data. The calibrated DFN model was then exported in a two-dimensional Distinct Element Model (DEM) to assess the stability of a critical pit wall where the multiple block failures were recorded at the bench and inter-ramp slope scale. The DFN-DEM approach adopted in this study could model the slope stability state using the shear strength reduction (SSR) method. According to the results of the simulations, the critical strength reduction factor (SRF) values derived from each numerical simulation were highly dependent on the DFN geometry configuration, and the trace length. To quantify the uncertainty associated with the assumptions established during the DFN-DEM modelling process, a series of models were simulated with different DFN configuration. At the inter-ramp slope scale, the simulations were predominantly unstable (SRF≤1.0) over 30 DFN realisations. The probability of failure (PoF) averaged 70% with a mean safety factor of 0.93 for the simulated DEM slope models while using the LE method, an average PoF of 40% and mean safety factor of 1.08 were estimated.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».