Assessing the Seismic Performance of Underground Infrastructures to Near-Field Earthquakes
Notice bibliographique
Résumé
Assessing the seismic response in road and rail tunnels is crucial for ensuring their structural integrity and safety as vital infrastructures.However, these underground spaces receive far less scrutiny compared to their above-ground counterparts such as bridges and viaducts.Moreover, comprehensive case studies with fully dynamic monitoring systems, especially in active seismic zones, are uncommon.The dynamic behaviour of man-made tunnels varies significantly based on factors like design and geological conditions, particularly the surrounding soil or rock characteristics.Tunnels excavated in shallow depths within soft soils are generally considered more susceptible to seismic forces compared to those bored through dense soil or hard rock.However, direct comparisons based on experimental data are limited in the current scientific literature.To this aim, the seismic responses of one underwater rail tunnel and two nearby mountain road tunnels to the same near-field seismic event are examined.Specifically, data from the Mw=4.4Berkeley Earthquake on the Bay Area Rapid Transit's Transbay Tube and Caldecott tunnel system's Bore 3 and 4 are analysed.This represents a rather unique case for near-fault strong motions, which are the ones expected to be most dangerous for civil structures and infrastructures.Moreover, this set of target infrastructures includes different boundary conditions (soft soil and hard mountain rock), cross-sectional shapes, year of construction, and other characteristics.This enables a detailed investigation of these contributing factors.Finally, Arias Intensity (AI) and significant duration ( 595 ) are proposed as potential explanations for the different seismic susceptibility of these different tunnels.
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 | 0,001 | 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 ».