Modeling Crack Arrest in Snow Slab Avalanches—Toward Estimating Avalanche Release Sizes
Notice bibliographique
Résumé
Abstract Dry‐snow slab avalanches are the most fatal type of avalanches, beginning with the failure of a weak snow layer below cohesive slabs. This failure can propagate within the weak layer, causing the overlying slab to fracture and slide. Avalanche forecasters are interested in evaluating crack propagation propensity and potential avalanche sizes. This study tests the hypothesis that two factors may stop dynamic crack propagation: snowpack heterogeneity and terrain variations. We develop a depth‐averaged Material Point Method, which combines MPM with shallow water assumptions for efficient elastic‐brittle modeling of avalanche release. We analyze two scenarios: pure‐elastic and brittle slabs. In the pure‐elastic case, we observe a significant decrease in slab tensile stress with increasing crack speed and provide an analytical formulation for this phenomenon. We evaluate the impacts of weak layer heterogeneity and fracture energy on crack stopping. In the brittle scenario, we explore the interaction between weak layer heterogeneity and slab fracture, quantifying their combined effects on crack arrest. Our results reveal a scaling law that relates crack arrest distance to dimensionless numbers indicative of weak layer and slab strength. The model is applied in case studies to predict release sizes based on field data, and also on synthetic 3D topographies, enhancing the understanding of factors influencing avalanche size and aiding future mitigation strategies.
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 | 0,002 | 0,002 |
| 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 | 0,002 |
| 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 ».