Métodos de estimativa de vazão máxima para projetos de macrodrenagem urbana
Bibliographic record
Abstract
O aumento populacional afeta diretamente nas questões de drenagem urbana, podendo ser na ocupação de áreas de risco ou mesmo pelo fato da redução da área permeável que ocorre através da urbanização das cidades. Com um sistema de macrodrenagem dimensionado corretamente, por meio da avaliação do melhor método de estimativa de vazão máxima pode-se reduzir e/ou acabar com os estragos causados por chuvas intensas. Dessa forma, o objetivo do presente estudo foi aplicar cinco metodologias de estimativa de vazão máxima, e discutir sua aplicabilidade para projetos de macrodrenagem urbana, sendo os métodos Racional, I-Pai-Wu, Ven te Chow, Hidrograma e McMath. Para o tempo de concentração utilizou-se as fórmulas de Corps of Engineers, Ven te Chow, Kirpich, Onda Cinemática, Califórnia Culverts Practice (E.U.A.) e Cinemático - SCS. Sendo que a área em estudo corresponde a uma bacia rural, sendo classificada como macrodrenagem, e após os cálculos dos tempos de concentração, optou-se pelo método Corps of Engineers para dar sequência ao estudo, além disso, foram avaliados o uso do solo para obtenção dos coeficientes C e CN, através de imagens aéreas utilizando o software ArcGis. Os resultados obtidos demonstraram que o método McMath subestima a vazão para áreas maiores que 8 km², enquanto o método Racional superestima. Os métodos I-Pai-Wu e Ven te Chow obtiveram valores semelhantes, o método do Hidrograma que foi obtido através do software Hydrological Engineering Center, Hydrologic Modeling System (HEC-HMS) mostrou-se adequado para todas as condições estudadas.
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 | 0.005 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".