MétaCan
Menu
Retour à la cohorte
Enregistrement W4390984348 · doi:10.21776/ub.jtresda.2024.004.01.065

Analisis Hidrolika pada Uji Model Pelimpah Bendungan Warsamson Papua Barat dengan Pendekatan Perangkat Lunak Autodesk Computational Fluid Dynamics (CFD)

2024· article· id· W4390984348 sur OpenAlexaff
Muhammad Aulia Arsal, Anggara Wiyono Wit Saputra, Suwanto Marsudi

Notice bibliographique

RevueJurnal Teknologi dan Rekayasa Sumber Daya Air · 2024
Typearticle
Langueid
DomaineEnvironmental Science
ThématiqueWater and Land Management
Établissements canadiensWiLAN (Canada)
Organismes subventionnairesnon disponible
Mots-clésPhysicsHumanitiesArt

Résumé

récupéré en direct d'OpenAlex

Indonesia memiliki kekayaan sumber daya air yang melimpah dan dimanfaatkan untuk kesejahteraan rakyat. Beberapa permasalahan pun terjadi seperti banjir dan kekeringan yang melanda Kabupaten Sorong, Papua Barat. Upaya pemerintah dilakukan melalui Badan Wilayah Sungai (BWS) Papua Barat berupa pembanguanan Bendungan Warsamson. Tahap awal pembangunan diawali dengan perencanaan konstruksi oleh konsultan kemudian dilanjutkan pembuatan model fisik. Pemodelan fisik dilaksanakan di Laboratorium Pengelolaan Sumber Daya Air (PSDA) Terpadu Universitas Brawijaya. Selain model fisik dilakukan juga penyesuaian desain dalam bentuk model tiga dimensi dengan pendekatan perangkat lunak Autodesk Computational Fluid Dynamics (CFD) untuk mengetahui sifat hidrolis pada bendungan secara mendetil pada bangunan pelimpah Bendungan Warsamson. Penelitian ini menggunakan bantuan perangkat lunak lain berupa Autodesk AutoCAD dan Inventor. Luaran penelitian berupa hasil simulasi yang memuat data nilai profil muka air, kecepatan aliran, dan tekanan hidrostatis sebagai parameter utama dalam perencanaan Bendungan Warsamson. Hasil simulasi pengaliran debit banjir pada model tiga dimensi pelimpah Bendungan Warsamson memenuhi standar desain.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,055
Score d'incertitude au seuil0,109

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,002

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 Opus0,013
Tête enseignante GPT0,242
Écart entre enseignants0,229 · 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

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal Teknologi dan Rekayasa Sumber Daya AirMême sujetWater and Land ManagementTravaux en français237 207