MétaCan
Menu
Retour à la cohorte
Enregistrement W4360614177 · doi:10.1061/9780784484661.033

Dynamic Compaction: A Proven Ground Improvement Method for Landfill Sites

2023· article· en· W4360614177 sur OpenAlexaff
Chris Woods, Robert Shaffer, Samuel Drumheller

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueLandfill Environmental Impact Studies
Établissements canadiens123 Certification (Canada)
Organismes subventionnairesnon disponible
Mots-clésDynamic compactionCompactionEnvironmental scienceComputer scienceGeotechnical engineeringGeology

Résumé

récupéré en direct d'OpenAlex

During the past 40 years, ground improvement has become a valuable tool for the geotechnical community, as the number of sites with suitable bearing soils becomes fewer and farther between. Similarly, as time moves on, more sites come into focus for development that have received any number of various landfill materials, be it municipal solid waste (MSW) from households, construction and demolition (C&D) debris from construction activities, or simply soil materials exported from another site. As a result, the challenges to engineers and contractors to design and construct new developments within budget and on time continue to increase. Dynamic compaction is a ground improvement technique that has been used more frequently to improve in-place landfill materials to a point where vertical construction can proceed without excessive long-term settlements. On sites where dynamic compaction is used, alternative methods of post-improvement evaluation have become more common, given the number of below-grade obstructions at a site that typically prohibit standard drilling approaches. Embankment load testing, plate load testing, and where applicable, post-improvement drilling are all techniques that have been used successfully to evaluate the effectiveness of dynamic compaction programs, as outlined by the three case studies discussed herein.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,021
Tête enseignante GPT0,306
Écart entre enseignants0,286 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetLandfill Environmental Impact StudiesTravaux en français237 207