MétaCan
Menu
Retour à la cohorte
Enregistrement W4382680943 · doi:10.11159/iccste23.209

Enhancing the Performance of Railway Trackbed with Vibro Stone Column Technique

2023· article· en· W4382680943 sur OpenAlexvenueno aff
Koohyar Faizi, John R. Allsop, Paul Beetham, Rolands Kromanis

Notice bibliographique

RevueProceedings of the International Conference on Civil, Structural and Transportation Engineering · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueRailway Engineering and Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésColumn (typography)Computer scienceComputer network

Résumé

récupéré en direct d'OpenAlex

The vibro stone column (VSC) technique is a ground improvement method used to enhance the load-bearing capacity. This paper provides an overview of the VSC technique and its application in railway trackbed stabilization (TBS). The VSC technique involves installing columns of good quality stone into the soil using a vibrating probe, creating both a strong column and radial stiffening of the adjacent compressed soil; a composite ground improvement system. The paper discusses the benefits of the VSC technique, such as its efficiency, versatility, and cost-effectiveness, and its limitations in TBS. Additionally, the paper presents the results of a site trial that utilized a vision-based monitoring system to measure the effectiveness of the VSC technique in improving the trackbed stiffness. The results demonstrated that the VSC technique can be considered a reliable TBS system to improve the stiffness of subgrade and sub-ballast layers in railway trackbeds, reducing the risk of trackbed settlement and extending the life of the track. The paper concludes by summarizing the importance of VSC in railway TBS and highlighting its potential for future ground improvement projects. The use of a vision-based monitoring system further enhances the effectiveness of the VSC technique, providing real-time monitoring and analysis of trackbed conditions, enabling better decision-making and improving the accuracy, reliability, and efficiency of the TBS technique.

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 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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,283
Score d'incertitude au seuil0,390

Scores Codex et Gemma par catégorie

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

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 Opus0,007
Tête enseignante GPT0,196
Écart entre enseignants0,189 · 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 tête enseignante, 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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the International Conference on Civil, Structural and Transportation EngineeringMême sujetRailway Engineering and DynamicsTravaux en français237 207