Fiber optic temperature sensors in under-documented dams
Bibliographic record
Abstract
Des systèmes de détection distribués sur fibres optiques dotés d‘une capacité de surveillance continue sont installés en permanence dans des barrages en terre au Canada et en Suède depuis 2004. La plupart de ces systèmes mesurent les variations de température le long d‘un câble à fibres optiques afin de détecter les infiltrations et l‘érosion possibles. Les câbles à fibres optiques installés en permanence jouent le rôle d’élément de détection et sont installés horizontalement le long du pied aval d’un barrage, à l’intérieur d’une berme, ou verticalement. Ces systèmes peuvent fournir des données de haute résolution spatiale le long et à l’intérieur de la géométrie d’un barrage. Au lieu d‘avoir la pression de l‘eau à l‘emplacement précis d‘un puits ou les données de débit à l‘emplacement d‘un débitmètre, les systèmes de détection à fibre optique actuels peuvent fournir des données de surveillance spatio-temporellement continues à une résolution inférieure à un mètre le long de la fibre sur plusieurs kilomètres de distance câble, permettant une couverture continue de toute la structure. Depuis les premières installations dans les années 90, la résolution du capteur, la précision, le coût et les moyens d‘évaluation des données se sont tous améliorés pour le bénéfice de l‘utilisateur final. Cet article montre comment les capteurs distribués à fibres optiques pourraient fournir un support de surveillance intérimaire incomparable pour les barrages sous-documentés présentant des déficiences non critiques.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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".