Modelling of the ice load on a Swedish concrete dam using semi-empirical models based on Canadian ice load measurements
Bibliographic record
Abstract
Dans les régions froides où la surface de l‘eau d‘une rivière ou d‘un lac gèle en hiver, les barrages en béton peuvent être soumis à une charge de pression exercée par la couche de glace. Cette charge de pression peut constituer une grande partie de la charge horizontale totale agissant sur un petit barrage. Du point de vue de la sécurité du barrage, il est important de déterminer la valeur de conception de la charge de glace. En février 2016, un prototype de panneau de chargement de glace a été installé sur un barrage en béton suédois. Le panneau de 1x3 m 2 mesure la pression de la glace avec trois capteurs de charge. Dans cet article, la charge de glace mesurée sur le barrage suédois est prédite à partir d‘un modèle empirique canadien, élaboré précédemment à partir d‘un programme expérimental de 9 ans dont le but était d’estimer les charges de glace causées par les effets thermiques et la variation du niveau de l‘eau. Les prévisions du modèle n’ont pas pu prédire avec précision les charges de glace mesurées. Les connaissances actuelles sur les charges de glace étant limitées, il est impossible de déterminer si les résultats expérimentaux, le modèle ou les deux sont inexacts.
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".