Bibliographic record
Abstract
Klimaendringene, samt økt urbanisering og fortetting fører til at økte overvannsmengder må\nhåndteres. Regnbed (eng.: rain garden, bioretention) er et tiltak for lokal\novervannsdisponering (LOD). Det er et beplantet, nedsenket bed i terrenget, der vann lagres\npå overflaten og infiltreres til grunnen eller til eksisterende overvannsnett. Regnbed har\nevne til å redusere flomtopper, beskytte vassdrag mot erosjon, etterfylle grunnvannet og\ntilbakeholde forurensning fra overvannet. Fordelene med regnbed er blant annet at de lar\nseg ettermontere i nedbørsfelt med utfordringer knyttet til overvann. De er estetisk\ntiltalende og de er med på å øke biodiversiteten i urbane strøk.\nRegnbed er et populært tiltak for håndtering av overvann i USA, Canada og Australia, men\nskepsis knyttet til redusert infiltrasjon gjennom vinterhalvåret, samt manglende erfaring, har\nblant annet bidratt til at regnbed hittil har vært lite benyttet her til lands. Hensikten med\ndenne oppgaven har derfor vært å undersøke hvilke beregningsmetoder som er best egnet\nfor ulike situasjoner og dimensjoneringsformål, hvilke konsekvenser kaldt klima har for\nregnbedets ytelse og hvordan regnbed kan optimaliseres for norske forhold. Oppgaven\nbygger på eksisterende litteratur og egne infiltrasjonsforsøk.\nDet ble foretatt to infiltrasjonsforsøk ved Langmyrgrenda 34 B i Oslo våren 2014. Hensikten\nvar å estimere den mettede hydrauliske konduktiviteten før og etter vårsmeltingen.\nForsøkene ble utført ved hjelp av Modified Phillip-Dunne (MPD) infiltrometer.\nGjennomsnittlig konduktivitet 18. mars ble estimert til 1,333 cm/t. Ved feltforsøk 2. mai ble\ngjennomsnittlig hydraulisk konduktivitet estimert til 3,656 cm/t.\nVi observerte infiltrasjon i regnbedet selv når temperaturen i filtermediet var under\nfrysepunktet. Dette støtter at infiltrasjon er mulig også om vinteren, selv om forsøket viste at\ntemperaturer under frysepunktet (0°C) svekker regnbedets ytelse. Det finnes flere grunner\ntil dette, men frosttypen vil være av stor betydning. Ved å forhindre betongfrost i\nfiltermediet (frost i vannmettet tilstand) kan vi ta hensyn til infiltrasjonen i\ndimensjoneringen, og på den måten redusere størrelsen på regnbedet. Regnbed viser seg å\nvære et godt tiltak ved lange nedbørshendelser. Da er infiltrasjonen viktig. Ved\nnedbørshendelser av høy intensitet er størrelsen på maksimal vannhøyde og\noverflatearealet avgjørende for hvor godt regnbedet klarer å håndtere overvannet.
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 | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.230 | 0.156 |
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".