Bibliographic record
Abstract
Suomessa on yli 17 000 siltaa, jotka jakautuvat eri siltatyyppeihin käyttötarkoituksen ja ympäristön asettamien vaatimusten mukaan. Suomen maasto on monimuotoista, jonka vuoksi väylien ja rataverkon ylityksissä joudutaan soveltamaan useita eri siltatyyppejä mahdollisimman taloudellisten ja käytännönläheisten kokonaisratkaisuiden löytämiseksi. \t \n \nInsinöörityössä oli tavoitteena selvittää Suomessa käytössä olevien eri siltatyyppien ominaisuuksia ja toimintaperiaatteita. Siltatyyppejä tarkasteltiin niiden staattisten toimintatapojen, rakennusmateriaalien soveltuvuuden ja käyttötarkoitusten näkökulmasta. Työn tarkoituksena oli kasata kokonaisvaltainen yleiskatsaus Suomen eri siltatyypeistä esimerkiksi rakennusalalla aloitteleville opiskelijoille. \n \nTyö toteutettiin kirjallisuustutkielmana internetlähteitä hyväksikäyttäen. Siltatyypeistä yksi yleisimmistä teräsbetoninen laattakehäsilta otettiin lähempään tarkasteluun, jossa käytiin läpi sillan suunnitteluun, rakenteiden ominaisuuksiin sekä perustamistapoihin liittyviä asioita. Lisäksi tutkittiin siltapaikan vaikutuksesta siltatyypin valintaan sekä siltapaikkaluokitusta. \n \nOpinnäytetyön lopputuloksena saatiin kokonaisuus Suomessa käytössä olevista siltatyypeistä, eri rakennusmateriaalien soveltuvuudesta sillanrakentamiseen sekä siltapaikan ominaisuuksien vaikutuksista siltatyypin valintaan.
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 | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.187 | 0.060 |
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".