Analysis of Uncertainty and Sensitivity in Tailings Dam Breach-Runout Numerical Modelling
Notice bibliographique
Résumé
Tailings dam breaches (TDBs) and subsequent flows can pose significant risk to public safety, the environment, and the economy. Numerical runout models are used to simulate potential tailings flows and understand their downstream impacts. Due to the complex nature of the breach-runout processes, the mobility and downstream impacts of these types of failures are highly uncertain. We applied the first-order second-moment (FOSM) methodology to a database of 11 back-analyzed historical tailings flows to evaluate uncertainties in TDB runout modelling and conducted a sensitivity analysis to identify key factors contributing to the variability of the HEC-RAS model output, including at different locations along the runout path. The results indicate that prioritizing resources toward advancements in estimating the values of primary contributors to the sensitivity of the selected model outputs is necessary for more reliable model results. We found that the total released volume is among the top contributors to the sensitivity of modelled inundation area and maximum flow depth, while surface roughness is among the top contributors to the sensitivity of modelled maximum flow velocity and flow front arrival time. However, the primary contributors to the sensitivity of the model outputs varied depending on the case study; therefore, the selection of appropriate rheological models and consideration of site-specific conditions are crucial for accurate predictions. The study proposes and demonstrates the FOSM methodology as an approximate probabilistic approach to model-based tailings flow runout prediction, which can help improve the accuracy of risk assessments and emergency response plans. Supplementary Information: The online version contains supplementary material available at 10.1007/s10230-024-00970-w.
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 ».