MétaCan
Menu
Retour à la cohorte
Enregistrement W4367155056 · doi:10.36487/acg_repo/2355_42

Rheology for deposition control and deposit failure risk analysis

2023· article· en· W4367155056 sur OpenAlexafffund
Paul Simms, Xuexin Xia, A Patel, E Parent, Nicholas Beier, Gonzalo Zambrano-Narváez

Notice bibliographique

RevuePaste/˜Pœaste · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueMineral Processing and Grinding
Établissements canadiensCarleton UniversityBanff CentreGeomechanica (Canada)University of Alberta
Organismes subventionnairesCanada's Oil Sands Innovation AllianceBarrick Gold Corporation
Mots-clésRheologyDeposition (geology)Materials scienceComputer sciencePetroleum engineeringGeologyComposite materialGeomorphology

Résumé

récupéré en direct d'OpenAlex

Application of rheology to the post-deposition behaviour of tailings is important for the design of the slope of the impoundment, control of layering for purposes of strength enhancement through desiccation, properly describing the mixing of different tailings streams and for dam breach consequence analysis. This paper aims to advance the understanding of tailings rheology in the post-deposition context to aid all of these applications. Firstly, thixotropy and its quantitative implications for beach slope and layer geometry are explored using a simple treatment. Secondly, method dependency in yield stress measurement is discussed, along with how such uncertainty can be practically handled by considering the appropriate stress path and timescale for a particular application. Finally, numerical simulation using a thixotropic rheology of channel flow down a beach and runout from a dam breach experiment, conducted in a centrifuge, is used to highlight the utility of advanced rheology to such problems. The paper uses data collected from published work on both hard rock and oil sands tailings over the last 15 years.

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)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,005
Tête enseignante GPT0,204
Écart entre enseignants0,199 · 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'étudeSimulation ou modélisation
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'admission2
Résumé présentoui

Explorer davantage

Même revuePaste/˜PœasteMême sujetMineral Processing and GrindingTravaux en français237 207