Quantification of uncertainties in back-analysis of radar-tracked rockfall trajectories
Notice bibliographique
Résumé
Accurate estimation of rockfall trajectories is essential for mitigation of rockfall hazards. Nowadays, Doppler radar technologies can measure rockfall trajectories with centimeter resolution. Calibrating a numerical model to fit these measured trajectories, i.e. back analysis, often involves manual trial-and-error processes and subjective goodness-of-fit criteria. Here, we propose a framework that uses the chi-square statistic to quantify the misfit between modeled and measured rockfall trajectories. The framework can also quantify the uncertainty bounds on the best-fit model parameters. The approach is validated using field data from an Australian copper mine under two scenarios. (1) We perform an unconstrained back-analysis where the initial position and velocity of the rock, in addition to the coefficients of restitution (COR), are free variables. This scenario yields a normal COR R n = 0.866 ± 0.109 and tangential COR R t = 0.29 ± 0.151 with 68% confidence. (2) We perform a constrained back-analysis using predetermined initial position and velocity of the rock, which further constrains R n to 0.8 ± 0.014 and R t to 0.39 ± 0.065. Both scenarios show a higher uncertainty in R t than in R n . We also demonstrate the adaptability of the back-analysis framework to two-dimensional (2D) rockfall modeling using the same data. To the best of our knowledge, this is the first quantitative goodness-of-fit metric for trajectory-based rockfall back analysis that supports the estimation of inherent uncertainty. The simplicity of the metric lends itself to robust model optimization of rockfall back-analysis and can be adapted to other model assumptions (e.g. rigid-body mechanics) and metrics (e.g. velocity or energy).
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 | 0,001 |
| 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 ».