Réparations minces de parapets de ponts avec des bétons fibrés à ultra-hautes performances (BFUP)
Bibliographic record
Abstract
À ma mère Josée et mon père Yves iv Ce projet n'aurait pas été ce qu'il est sans l'aide de plusieurs personnes.Tout d'abord je souhaite remercier Jean-Philippe Charron, mon directeur de projet, pour sa présence, ses connaissances et ses conseils qui ont été d'une aide inestimable pour la réalisation de mon projet.Je souhaite aussi remercier les personnes du Groupe de Recherche en Génie des structures de Polytechnique (GRS), soit Cédric Androuet, David Ek, Patrice Bélanger et Xavier Willem pour leur soutien et leur minutie durant ma phase expérimentale, mais également pour leur enthousiasme pour les projets des étudiants.Je désire aussi remercier Anne-Marie Goulet et Julie Dallaire, secrétaires du GRS, pour leur assistance, leur gentillesse et leur écoute.Je tiens à mentionner l'équipe de Béton Brunet de Valleyfield pour leur travail en ce qui concerne la fabrication des parapets.Plus particulièrement, je souhaite remercier Martin Montpetit pour son intérêt dans le domaine de la recherche et Christian Dumaresque pour son expertise en fabrication.Durant mon projet, j'ai eu la chance de travailler avec d'autres étudiants qui ont aidé dans sa réalisation.Je veux remercier Amadou Thiaw pour son aide technique et ses questionnements réfléchis, Yvana Jurcova pour son aide inestimable concernant le logiciel d'éléments finis et Martin Pharand, étudiant du programme UPIR, qui m'a grandement aidé durant mes tests en laboratoire.Le projet n'aurait jamais été aussi plaisant sans l'aide et la camaraderie partagée avec mes collègues, soient :
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 0.002 |
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.
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".