MétaCan
Menu
Back to cohort
Record W7039817639

Méthode de prédiction et analyse par éléments finis des collisions de véhicules avec les superstructures de ponts

2021· dissertation· fr· W7039817639 on OpenAlexaboutno aff

Bibliographic record

VenueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke) · 2021
Typedissertation
Languagefr
FieldEngineering
TopicStructural Response to Dynamic Loads
Canadian institutionsnot available
Fundersnot available
KeywordsStatistical analysisHomogeneousRail transportation
DOInot available

Abstract

fetched live from OpenAlex

Les ponts sont soumis à des phénomènes extrêmes tels que les séismes, les vents violents, \nles incendies, les explosions et les charges d’impacts. Parmi ces sollicitations, les \ncollisions de véhicules avec les ponts constituent une menace importante à l’intégrité \nstructurale des ponts, mettent en danger les usagers et causent d’importantes pertes \néconomiques notamment par la fermeture de routes et les réparations structurales. \nCe travail doctoral propose et met en oeuvre une méthode pour étudier ces événements \nau Québec. Des données significatives ont été récoltées et combinées pour obtenir une \nbase de données globale des collisions véhicules-ponts qui se sont produites dans la province \nquébécoise entre 2000 et 2016. La base de données obtenue a permis de conduire \nune analyse statistique mettant en lumière les caractéristiques des collisions véhiculesponts, \ntels que le type de véhicule impliqué, les dimensions de l’ouvrage heurté, la vitesse \nlimite, la configuration de la route, l’état de la surface de la chaussée et les conditions \nd’éclairage. L’ensemble des événements de la base de données ont été géo-référencés \nau sein d’une carte évolutive qui permet de visualiser efficacement la distribution et \nl’évolution des collisions véhicules-ponts au sein d’une région du Québec. Un modèle de \nrégression pour prédire ces événements a été développé à partir d’une méthode de validation \ncroisée à plusieurs couches. Le modèle obtenu peut être mis à jour régulièrement \npour inclure les nouvelles collisions véhicules-ponts compilées dans la base de données, \net ainsi identifier les ouvrages les plus sujets aux collisions de véhicules, ou prioriser la \nmise en place d’actions de réduction des risques. \nLa modélisation aux éléments finis des charges d’impacts peut permettre d’améliorer la \ncompréhension des effets des charges d’impacts sur les tabliers de ponts. Une approche \npratique basée sur la méthode des éléments finis est proposée pour étudier les paramètres \nclés influençant la réponse dynamique d’un tablier de ponts soumis à l’impact d’un engin \nde chantier transporté par un camion-plateau. Deux types d’impacts sont considérés : \nle choc dur, pour lequel l’énergie est principalement dissipée par le véhicule impactant, \net le choc mou, pour lequel l’énergie générée par l’impact est dissipée par le tablier de \nl’ouvrage. Les modèles obtenus sont utilisés pour conduire une analyse paramétrique \nsur l’ensemble véhicule-pont avec les propriétés suivantes : rigidité latérale et masse \ndu tablier de pont, ainsi que masse et vitesse du véhicule impactant pour le choc \nmou ; masse, vitesse et rigidité du véhicule pour le choc dur. Les analyses montrent \nl’importance considérable de la souplesse des surfaces de contact dans les résultats du \nchoc des véhicules avec les superstructures de ponts. Les tendances caractérisant les \ncollisions entre un véhicule lourd et un tablier de pont sont étudiés du point de vue \ndes forces de contact et de leurs durées, de la réponse structurale de la structure, et du \nbilan énergétique. Les résultats obtenus sont comparés aux prédictions analytiques et \naux valeurs de forces statiques équivalentes proposées par l’Eurocode.

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)0.004
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: Simulation or modeling
GenreCandidate signal: Methods · Consensus signal: Methods
Teacher disagreement score0.875
Threshold uncertainty score0.248

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.004
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.002
Bibliometrics0.0010.001
Science and technology studies0.0010.001
Scholarly communication0.0020.001
Open science0.0020.001
Research integrity0.0020.002
Insufficient payload (model declined to judge)0.0070.002

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.

Opus teacher head0.014
GPT teacher head0.232
Teacher spread0.218 · 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 designSimulation or modeling
Domainnot available
GenreMethods

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
Published2021
Admission routes1
Has abstractyes

Explore more

Same venueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke)Same topicStructural Response to Dynamic LoadsFrench-language works237,207