Improving an estimation model for dam failure-induced loss of life and customizing it for North America
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
The potential loss of life (LOL) resulting from dam failures represents a critical concern in dam safety and disaster management. Accurate estimation of LOL is paramount for informed decision-making, emergency preparedness, and the minimization of human casualties in such events. This paper proposes an improved model for LOL estimation associated with dam failures and shows how to customize it to specific regions, exemplifying with North America. The approach categorizes dam failure into subcases based on flood severity and the distance from the dam. Two empirical equations that serve as the calculation method for LOL formulated through multivariate regression analysis are derived using thirty-two dam failure subcases in North America. The datasets were split into train and test sets, yielding R 2 values of 0.9949 for low severity cases and 0.9955 for medium-high severity cases on the test sets. Graham's model was selected as a comparison benchmark due to its straightforward application, established use in LOL estimation, and minimal data requirements. The successful implementation of this model suggests its potential applicability for diverse regions, contributing to improved disaster preparedness and response strategies, as well as enhancing dam safety and community well-being downstream of dams. • A method to estimate loss of life induced by dam failures was improved and applied to North America. • Historical dam failures were modelled to gather data for model development. • The model is quick and easy to apply, and performed very well on test cases achieving R 2 close to 1. • All details necessary to develop similar models for other regions are included in the paper.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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