MétaCan
Menu
Back to cohort
Record W1024002114

Caractérisation des infrastructures à l'aide des diagraphies d'imagerie optique et acoustique

2011· article· fr· W1024002114 on OpenAlexaboutno aff
Philippe Thivierge

Bibliographic record

VenueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke) · 2011
Typearticle
Languagefr
FieldComputer Science
TopicDigital Image Processing Techniques
Canadian institutionsnot available
Fundersnot available
KeywordsPhysics
DOInot available

Abstract

fetched live from OpenAlex

L'entretien et le suivi des barrages constituent un besoin grandissant au Québec dû à l'âge moyen des installations. Bien qu'il existe des méthodes d'inspections incluant l'inspection visuelle, le carottage et des essais en laboratoire afin de déterminer l'état général et certains paramètres de la résistance au glissement tels l'angle de friction et la résistance à la compression, il subsiste encore certains manques.L'orientation et l'ouverture des plans de faiblesses sont, entre autre, deux paramètres importants dans la résistance au glissement qui ne peuvent être déterminés avec exactitude à l'aide des méthodes conventionnelles. Ce projet de recherche propose une méthode afin de pallier aux lacunes des techniques actuelles ainsi que de compléter l'étude de stabilité des ouvrages. Cette méthode consiste en l'emploi des diagraphies d'imagerie qui permettent d'obtenir une image numérique de la paroi du trou de forage à l'aide de caméras optique et acoustique. Un programme expérimental comprenant diverses séries de tests en laboratoire et l'auscultation de trois structures réelles a été mis sur place. Les essais en laboratoire ont, entre autre, permis de déterminer que ces méthodes présentent une détectabilité pouvant être moins d'un millimètre avec une erreur moyenne sur la mesure d'environ 2mm. Ces paramètres sont cependant grandement influencés par l'état des épontes surtout pour la sonde acoustique.L'auscultation de structures réelles a permis d'établir une méthode de traitement des données comprenant la correction de l'influence des zones magnétiques locales afin d'obtenir une orientation (direction et pendage) des plans de faiblesses. Les essais en laboratoire et les tests sur le terrain ont également permis de déterminer que ces méthodes constituent un bon moyen de valider, en corrélation avec les carottes de forage, la cohésion et la nature (mécanique ou naturel) des discontinuités. De plus, elles peuvent fournir des informations essentielles lors d'une faible récupération des échantillons.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: Bench or experimental
GenreCandidate signal: Empirical · Consensus signal: none
Teacher disagreement score0.006
Threshold uncertainty score0.019

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0000.001
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0020.001
Science and technology studies0.0000.000
Scholarly communication0.0010.001
Open science0.0000.000
Research integrity0.0010.000
Insufficient payload (model declined to judge)0.0060.002

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.033
GPT teacher head0.229
Teacher spread0.196 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designBench or experimental
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations1
Published2011
Admission routes1
Has abstractyes

Explore more

Same venueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke)Same topicDigital Image Processing TechniquesFrench-language works237,207