MétaCan
Menu
Retour à la cohorte
Enregistrement W4372204707 · doi:10.20944/preprints202305.0338.v1

Climate Change Impacts on Frost and Thaw Considerations: Case Study of Airport Pavement Design in Canada

2023· preprint· en· W4372204707 sur OpenAlexaffabout
Paula Sutherland Rolim Barbi, Pejoohan Tavassoti, Susan Tighe

Notice bibliographique

RevuePreprints.org · 2023
Typepreprint
Langueen
DomaineEarth and Planetary Sciences
ThématiqueClimate change and permafrost
Établissements canadiensMcMaster UniversityUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésPermafrostFrost heavingFrost (temperature)Climate changeEnvironmental scienceGlobal warmingFrost weatheringSoil waterGeotechnical engineeringMeteorologyGeologySoil scienceGeography

Résumé

récupéré en direct d'OpenAlex

Rising temperatures due to the climate change can significantly impact the frost/thaw condition of airport pavements in cold regions. This case study investigates the implications of the the warming temperatures on frost/thaw penetration and frost-heave of pavements for critical airports across Canada. To this end, different methods were used in the quantification process through climate change simulations considering the emission scenario RCP8.5 in a 20- and 40-year time horizon. The results show that climate change would have different design implications for airport pavements depending on their location. The predictions suggest a shallower frost penetration depth and possibly less frost-heave for the airports not underlain by permafrost, while airports over permafrost areas might experience an increase in thickness of the active layer ranging from 41 to 57 percent by 2061. Among the different methods used in this study, it was observed that some methods performed the best in predicting frost depth of fine soils, while others worked better with the frost depth prediction of coarse soils. The results indicate the need for more mechanistic models to provide a more realistic prediction of frost/thaw penetration as compared to the existing empirical models.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,047
Score d'incertitude au seuil0,136

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
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 Opus0,396
Tête enseignante GPT0,352
Écart entre enseignants0,044 · 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'étudeObservationnel
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

Citations1
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePreprints.orgMême sujetClimate change and permafrostTravaux en français237 207