The Effect of Setup Time in Geotechnical Resistance Factor of Driven Steel Piles in Alberta: a Case Study
Notice bibliographique
Résumé
Determining the bearing capacity of driven steel piles is a critical concern in geotechnical engineering particularly when constructing major structures in oil and gas and infrastructure projects in Alberta. To verify pile capacity, the pile driving analyzer (PDA) and static load tests (SLTs) are widely used. In recent years, PDA testing has become a regular part of pile quality assurance programs on projects and increasingly used as full-scale load tests. Several studies have shown that geotechnical resistance factor (GRF) values can be calibrated with the aim of PDA testing results which can help designers to potentially reduce the number and length of piles. Nevertheless, uncertainty remains regarding the extent to which the GRF value can be optimized following the implementation of the PDA. In this paper, a database of PDA tests and SLTs are compiled from several projects in Alberta, Canada. The primary objective of this study is to assess the impact of time on the recommended GRFs by several codes. To achieve this, the study employs a well-established probabilistic technique known as Monte Carlo Simulation (MCS) to quantify the influence of time, referred to as “setup time”. To enhance the assessment of setup time’s effect, the recorded bearing capacities are collected during two distinct time points: after the completion of pile installation or the end of drive (EOD) condition, and after a specific setup time at the Beginning-of-Restrike (BOR) condition. The results suggest that by taking into account the time impact, GRF values can be optimized, leading to an increase in factored pile resistance and ultimately resulting in a more cost-effective design process for steel-driven piles.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».