Hydrologisk dimensjonering av regnbed i kaldt klima: Risvollan, Trondheim
Bibliographic record
Abstract
Økt andel tette overflater i byer gir større mengder overvann som må håndteres. Regnbed er en vegetert forsenkning i terrenget hvor overvann samles og infiltreres. Et typisk regnbed er bygd opp av et filtermedium av jord og løvkompost og beplantet på overflaten. Et godt fungerende regnbed vil infiltreres tomt for vann mellom hvert nedbørstilfelle. Fordelen med regnbed er at filtermediet vil holde igjen en rekke forurensninger, overvann vil infiltrere til grunnvann og vann vil bli fordrøyd i regnbedet. Regnbed har blitt populært både i USA og Canada, mens bruken er beskjeden i Norge. Noe av årsaken er manglende dimensjoneringskriterier/metoder og usikkerhet rundt ytelsen til regnbed i kaldt klima. Hovedmålet med denne oppgaven er derfor å dokumentere den hydrologiske ytelsen til regnbed og hvilke faktorer som bør spille inn på dimensjoneringen av regnbed. Arbeidet baserer seg på feltforsøk med Modified Phillip-Dunne infiltrometere, laboratorieundersøkelser av Risvollan regnbed (Trondheim), simulering av kontinuerlig målte vannføringer i Risvollan regnbed og laboratorieundersøkelser av ulike filtermedier.RECARGA kan modellere vanngjennomstrømningen i et regnbed. Modellen har blitt kalibrert med infiltrasjonsevnen mot vannføringsdata høsten 2011 og våren 2012 i Risvollan regnbed. RECARGA har vist godt samsvar med målte data. Sammen med infiltrasjonsforsøk i felt har dette dokumentert stor variasjon i vannmettet hydraulisk konduktivitet i perioden juli 2011 til mai 2012 (0.4-2.8 cm/time). Infiltrasjonen var som forventet størst i sommerhalvåret.Feltforsøkene avdekket stor variasjon i infiltrasjonsevne på overflaten (0-35 cm/t). Årsaken kan skyldes ulik grad av kompaktering, biologisk aktivitet fra planter og insekter, samt finstoff i innløpsvannet som sedimenterer på overflata. Infiltrasjonsforsøk i felt samsvarte godt med infiltrasjonsevnen funnet med RECARGA. Enkle feltforsøk kan dermed brukes til å beregne ytelsen til allerede anlagte regnbed og i tillegg avdekke områder i regnbedet som bør rehabiliteres. Regnbeds ytelse har blitt simulert ved hjelp av RECARGA med avrenningsdata fra Bergen, Trondheim og Ås. Resultatet viser at 95 % av årsavrenningen kan infiltreres alle tre stedene med et regnbed på 2.5 % av nedbørsfeltet og infiltrasjonsevne på 10 cm/time. For regnbed som er mindre enn 2.5 % av nedbørsfeltet eller har lavere infiltrasjonsevne enn 10 cm/t vil ytelsen være forskjellig i Bergen, Trondheim og Ås. Regnbed som skal redusere flomtoppen må være større enn et regnbed som kun skal infiltrere mest mulig av årsnedbøren. Simulering av et tre timers 15års regn i Trondheim (25.8 mm) viser at regnbed som er 7 % av nedbørsfeltet vil gi en flomtoppreduksjon på 90 %. Dermed kreves det to forskjellige dimensjoneringsmetoder avhengig av formålet. Metoden som er foreslått for å håndtere årsnedbøren baserer seg på simulerte avrenningsdata fra smeltebrett. Metoden som er foreslått for å håndtere moderate nedbørstilfeller baserer seg på IVF-kurver og amerikanske dimensjoneringsmetoder. Arbeidet viser at hydraulisk konduktivitet er en av nøkkelfaktorene for å lykkes med regnbed. Denne avhenger av sammensetningen av filtermediet. Infiltrasjonsforsøk i laboratoriet viser at den hydrauliske konduktiviteten synker med mengde løvkompost, noe som tilsier at lavt innhold av organisk materiale er nødvendig for regnbed i kaldt klima. Lavere andel organisk materiale kan senke renseeffekten og påvirke vekstforholdene for plantene. Kompostandelen må derfor bestemmes ut fra nødvendig mengde organisk materiale for renseeffekt, plantevekst og infiltrasjonsevne i regnbed.
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 imitationNot 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.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.019 | 0.007 |
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.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".