Assessment of apparent cohesion at dam-rock interfaces through multiscale modeling
Bibliographic record
Abstract
D’importantes difficultés sont toujours associées à la sélection des valeurs de cohésion et d’angle de friction employées pour les analyses de stabilité des barrages, notamment du fait des incertitudes vis-à-vis de l‘influence de la rugosité le long des interfaces barrage-fondation. Ce travail propose de nouvelles approches pour évaluer la résistance au cisaillement et la cohésion apparente d’interfaces barrage-fondation non-liées en modélisant à différentes échelles la rugosité des surfaces de fondation rocheuses. Une procédure originale est d’abord développée pour modéliser la rugosité de contacts roc-béton au moyen d’éléments-finis non-linéaires. Celle-ci est ensuite appliquée à des échantillons de contacts roc-béton forés de barrages existants et cisaillés expérimentalement. Les résultats numériques validés expérimentalement sont analysés pour investiguer les effets de la rugosité et de l’emboitement afin de proposer un critère de résistance au cisaillement pratique d’utilisation. Des relevés de LiDAR de grandes surfaces de fondation proches de barrages existants sont aussi traités pour obtenir des géométries rugueuses d’interfaces barrage-fondation réalistes. Ces profils sont alors implémentés au sein de modèles d’Éléments Finis grâce à la méthode proposée pour conduire des analyses de stabilité de barrage-poids. Au final, les résultats confirment la contribution majeure des propriétés de rugosité et d’emboitement au comportement en cisaillement des interfaces barrage-fondation, et sont utilisés pour proposer des valeurs de cohésion apparente. Ce projet est le résultat d’une collaboration de longue date entre les mondes de l’académique (Polytechnique Montréal) et de l’industrie en ingénierie des barrages (Hydro-Québec).
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 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| 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".