MétaCan
Menu
← Back to cohort
Record W6998654320

Application de la méthode MASW pour la détection de zones de faiblesse sous les chaussées

2002· other· fr· W6998654320 on OpenAlexaboutno aff

Bibliographic record

VenueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke) · 2002
Typeother
Languagefr
Field
Topic
Canadian institutionsnot available
Fundersnot available
KeywordsMarlGeophysical prospectingHomogeneous
DOInot available

Abstract

fetched live from OpenAlex

Le but de ce document est d'appliquer une méthode entièrement développée à l'Université de Sherbrooke appelée Modal-Analysis-of-Surface-Waves (MASW) afin de détecter les zones de faiblesses sur les structures de chaussées telles que les cavités causées par infiltration de sol dans les vieux ponceaux par exemple. Cette méthode d'investigation sismique utilise l'enregistrement rapide des ondes de surface comme base de données. À partir d'essais in-situ non intrusifs, la méthode permet d'obtenir un profil des ondes de cisaillement en fonction de la profondeur. La première partie est consacrée à l'état des connaissances sur les ondes et les différentes méthodes géophysiques de caractérisation des pavages. Elle comprend la théorie de propagation des différentes ondes (compression, cisaillement et de surface); les modèles théoriques de calcul de la vitesse des ondes de cisaillement pour les sols granulaires et argileux; les différentes méthodes sismiques présentement utilisées sur les pavages en ingénierie. La deuxième partie explique de façon approfondie la méthode MASW: son historique, l'équipement nécessaire et le cheminement typique d'un essai. Elle présente aussi une nouvelle configuration pour la méthode MASW afin de mieux l'adapter à la reconnaissance des structures des chaussées. Il s'agit d'une excitation à côté du pavage au lieu du dessus. La troisième partie résume les résultats de différentes études numériques visant d'abord à minimiser au maximum l'effet de la couche de pavage sur le profil de vitesses des ondes de cisaillement des couches inférieures et ensuite à détecter et à localiser la présence de zones de faiblesse. Une correction de la courbe de dispersion a été envisagée permettant de réduire l'effet de la couche de pavage sur les couches sous-jacentes. Enfin, la quatrième partie présente les résultats obtenus pour deux sites ayant fait l'objet d'une reconnaissance avec la méthode MASW sur les structures de chaussée.

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 imitation

Not 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.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.002
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: none
Teacher disagreement score0.004
Threshold uncertainty score0.011

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.002
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0010.001
Science and technology studies0.0000.001
Scholarly communication0.0010.001
Open science0.0010.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0030.001

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.

Opus teacher head0.014
GPT teacher head0.219
Teacher spread0.205 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designBench or experimental
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2002
Admission routes1
Has abstractyes

Explore more

Same venueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke)→French-language works237,207→