Safeguarding Tailings Dams from Space Using L-Band SAR Soil Moisture Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Recent commercial uses of L-Band SAR in the water industry for the detection of water leaks have led to further developments in its application within the ground engineering industry to determine the concentrations of sub-surface soil moisture which can be indicative of potential problems within earthwork assets, road pavements, and rail beds. L-Band SAR has also been explored for use in tailings storage facilities (TSF) and earth dams monitoring and safety. Internal erosion of TSF and earth dams is one of the major causes of failure; the consequences of which are far reaching, including loss of life, environmental disaster, loss of reputation, and significant financial penalties. Signs of internal erosion that do not often manifest themselves at surface, hence visual inspection and non-targeted investigations or instrumentation, are unlikely to detect the tell-tale signs that seepage or erosion is present. L-Band SAR has the ability to detect moisture below the ground surface and determine the presence of high soil moisture concentrations which may be indicative of areas of internal seepage, in advance of this manifesting itself at the surface. This crucially provides the operator with time. The time required for targeted inspection, investigation, and the design of intervention measures, to prevent potential catastrophic failure of their assets. Following the devastating failure of the Brumadinho TSF in Brazil in 2019, the mining industry and indeed those responsible for any earth dams are keen to demonstrate their full understanding of their assets, relative to safety and risk. L-Band SAR can assist these asset owners to address their responsibilities in terms of dam safety, enabling appropriate direction of resources and funding to the areas needed, and targeted interventions and maintenance for the prevention of future failures and the increase in safety.
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.
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 découle