Empirical Methods for Assessing Internal Erosion in Norwegian Rockfill Dams
Bibliographic record
Abstract
Fyllingsdammer spiller en avgjørende rolle i å opprettholde vannkraftproduksjonen i Norge. Landet har en omfattende portefølje av flere hundre fyllingsdammer, hovedsakelig steinfyllingsdammer, hvor over 180 er klassifisert som store dammer av International Commission on Large Dams (ICOLD). Historiske datasett om damsikkerhet understreker sårbarheten til fyllinsdammer mot indre erosjon av kjernen eller tettingselementet, noe som resulterer i betydelige gjennomstrømninger som kan føre til progressiv erosjon av damstrukturen. Selv om norske steinfyllingsdammer, kjennetegnet av grovt steinfyllingsmateriale med gunstige dreneringsegenskaper, generelt anses som motstandsdyktige mot store gjennomstrømningshendelser, kan ikke de potensielle risikoene forbundet med indre erosjon av kjernen ignoreres. Denne bekymringen er spesielt relevant for eldre norske steinfyllingsdammer som kanskje ikke oppfyller moderne designspesifikasjoner for filtere, med dokumenterte tilfeller av "piping" gjennom damkjerner i nyere tid.\n\nEvalueringen av potensialet for indre erosjon i norske steinfyllingsdammer har vist seg å være utfordrende på grunn av begrenset tilgjengelighet av egnede vurderingsmetoder. Gode resultater fra nyere forskning utført ved University of British Columbia, Canada, i samarbeid med Vattenfall, Sverige, har introdusert empiriske metoder for vurdering av intern erosjonsrisiko i svenske fyllingsdammer. Å tilpasse disse metodene for å evaluere risikoen for indre erosjon i norske steinfyllingsdammer har stor relevans for den norske vannkraftindustrien når det gjelder å forbedre damsikkerheten. Tidlig identifisering av dammer som er utsatt for indre erosjon innenfor en stor damportefølje kan fasilitere (a) vurderingen av behov for forsterket overvåking for påvisning av potensielle erosjonshendelser i tide, (b) utviklingen av beredskapsplaner for effektiv håndtering av hendelser, og (c) støtten til gjennomføring av omfattende risikovurderinger.\n\nDenne masteroppgaven, et samarbeid mellom Statkraft og NTNU, Trondheim, fokuserer på å evaluere risikoen for indre erosjon innenfor Statkrafts omfattende steinfyllingsdam-portefølje. Som den største dameieren i Norge vil Statkraft gi nødvendige datasett angående den interne sammensetningen av steinfyllingsdammer for å fasilitere forskningen. Studien har som mål å bidra med verdifull innsikt til feltet, som hjelper med forebyggende håndtering av indre erosjonsrisikoer og til slutt forbedrer den overordnede sikkerheten og driften av norske steinfyllingsdammer.
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 | 0.018 | 0.068 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.005 | 0.007 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
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".