Development of design tools for convection mitigation techniques to preserve permafrost under northern transportation infrastructure
Bibliographic record
Abstract
Les infrastructures de transport jouent un rôle majeur dans le développement socio-économique des régions nordiques. La construction de remblais combinés aux changements climatiques engendrent des impacts négatifs sur le pergélisol sous-jacent, causant la dégradation des infrastructures. Des techniques de mitigation ont été proposées et testées pour limiter la dégradation du pergélisol. Toutefois, il y a peu d'informations disponibles sur les procédures de conception ou sur des lignes directrices. Le but de cette recherche est de développer des outils d'ingénierie améliorés pour les techniques de stabilisation convectives, se concentrant sur le remblai à convection d'air (ACE) et le drain thermique. Plus spécifiquement, l'approche du bilan thermique est proposée pour déterminer la condition thermique de remblais conventionnels et pour permettre la sélection de la technique de mitigation la plus appropriée pour extraire la chaleur en excès transmise au sol, si le système est actuellement instable, ou pour donner un facteur de sécurité considérant une instabilité future estimée. Quatre modèles thermiques ont été développés et calibrés à partir de données mesurées sur des sites expérimentaux. Un abaque de bilan thermique pour les remblais conventionnels ainsi que plusieurs abaques de capacité d'extraction de chaleur pour l'ACE et le drain thermique ont été développés et validés utilisant, respectivement, des simulations numériques et les données de sites d'essais du Yukon et du Nord du Québec, Canada. Ces abaques permettent aux concepteurs et ingénieurs de concevoir des remblais à convection d'air et des drains thermiques optimisés pour limiter, ou même éviter, le dégel du pergélisol à des sites spécifiques.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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".