Insights from the Compilation and Critical Assessment of Breach and Runout Characteristics from Historical Tailings Dam Failures: Implications for Numerical Modelling
Notice bibliographique
Résumé
Abstract Numerical models are used for detailed and site-specific tailings dam breach analyses (TDBAs) to estimate the downstream inundation and deposition resulting from a potential breach at a tailings dam. The results of TDBAs are key inputs into risk assessments, consequence classification, and emergency planning. This paper describes the research and development of a database of 12 tailings dam breach events with a specific focus on observations that are needed for numerical modelling, in conjunction with an assessment of existing dam breach conventions to improve consistency in reporting. The characteristics relevant to modelling include outflow volumes, breach processes, breach geometries, and runout observations local to the downstream area. This study and the new database shed light on the diversity of outflow materials, facility arrangements, breach processes, and downstream environments that affect the breach development and tailings runout. Familiarity with case studies is a crucial element of expert judgement for forward-analysis TDBAs, which this database supports. The database can also be used to define model inputs for back-analysis of additional tailings dam breach events, and simultaneously provides calibration or validation constraints with the runout observations. Continued review and critical assessments are needed to reduce uncertainties and to enhance case history data availability and quality in this database.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».