MétaCan
Menu
Retour à la cohorte
Enregistrement W4388266779 · doi:10.3390/su152115276

Improving Tailings Dam Safety via Soil Treatment

2023· article· en· W4388266779 sur OpenAlexaff
Yazeed A. Alsharedah, MH El Naggar, Aly Ahmed

Notice bibliographique

RevueSustainability · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueTailings Management and Properties
Établissements canadiensWestern University
Organismes subventionnairesQassim University
Mots-clésTailingsSlurryTailings damGypsumEnvironmental scienceWaste managementGeotechnical engineeringMining engineeringEngineeringEnvironmental engineeringGeologyMaterials scienceMetallurgy

Résumé

récupéré en direct d'OpenAlex

Mine tailings are the byproduct of mining activities, which need to be disposed of once the minerals in the ore are extracted. They can be disposed of in either dry or wet forms. The latter is most common, with the tailings being disposed of in the form of slurry inside retention structures. The retention structure may be a natural or manmade dam, with a predominant use of the upstream method due to its cost-effectiveness. This study analyzes the stability of an upstream tailings dam considering its staged construction. A two-dimensional nonlinear finite element model was developed using the program Plaxis 2-D to investigate the potential for stabilizing the tailings dam by using emulsified polymer and a mixture composed of cement kiln dust (CKD) and re-cycled gypsum (B). The numerical model demonstrated that utilizing a CKD: B mix increased the overall stability of the tailings impoundment above the conventional 1.5 safety factor requirements and indicated its usefulness in constructing robust dams whilst still being environmentally friendly.

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: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,880
Score d'incertitude au seuil0,722

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 Opus0,008
Tête enseignante GPT0,212
Écart entre enseignants0,205 · 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'étudeAutre devis
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

Citations5
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainabilityMême sujetTailings Management and PropertiesTravaux en français237 207