Auscultation topographique du pont Laviolette à Trois-Rivières
Bibliographic record
Abstract
Avec les années, la taille des navires ne cesse d'augmenter. Ceci pose un problème pour la navigation marchande, car de nombreux obstacles peuvent limiter le passage de ces navires de plus grande taille. Lorsqu'un navire a pour destination le port de Montréal, le pont Laviolette est l'obstacle aérien principal à considérer. C'est dans ce contexte que l'Administration portuaire de Montréal (APM) a lancé le projet d'auscultation du pont Laviolette. Cette auscultation a pour but d'analyser la variation du dégagement vertical dynamique sous le pont sur une période d'un an. Pour y parvenir, quatre antennes GNSS, un distancemètre laser, un distancemètre radar et une station météorologique ont été installés sur le pont. Ces instruments ont permis de quantifier les mouvements du pont en fonction de facteurs tels le vent, la température et la circulation automobile ainsi que leur incidence sur le dégagement vertical dynamique. Les résultats démontrent que la différence de température entre l'hiver et l'été cause des variations altimétriques atteignant 6 cm au sommet du pont et 3 cm au niveau de la chaussée du pont. C'est toutefois le niveau d'eau du fleuve Saint-Laurent qui est le facteur ayant le plus d'influence. Le fleuve varie d'environ 3 m entre la crue des eaux et son niveau le plus bas. Deux modèles indépendants du dégagement vertical dynamique ont été comparés. Le premier considère que le pont a une hauteur fixe et fait uniquement varier le niveau du fleuve. Le deuxième utilise les mesures du distancemètre radar installé sous le pont ce qui donne des dégagements qui tiennent aussi compte des mouvements du pont. En général, l'écart entre les deux modèles est de quelques cm et cet écart varie légèrement en fonction des saisons. En appliquant une correction thermique au premier modèle, l'écart entre les deux techniques est réduit de 1,6 cm.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.016 | 0.014 |
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; both teacher heads agree on what is shown here.
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".