Neurofuzzy-Based Productivity Prediction Model for Horizontal Directional Drilling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Productivity prediction and cost estimation of horizontal directional drilling (HDD) as a trenchless technology technique involves a large number of objective and subjective factors, which should be carefully identified and studied. To consider the effect of these factors on productivity prediction, the research presented in this paper assists in developing a productivity model for HDD operations. Potential factors impacting productivity are identified and studied based upon the literature and HDD experts across North America and abroad. A neurofuzzy (NF) approach is employed to develop the HDD productivity prediction model operating in clay, rock, and sandy soils. The merits of this approach involve decreasing uncertainties in results, addressing nonlinear relationships, and dealing well with imprecise and linguistic data. The NF model is tested using actual project data, which showed robust results with average validity percentages of 94.7, 82.3, and 86.7% for clay, rock, and sandy soils, respectively. The model is also used to produce productivity curves (production rate versus influencing factors) for each soil type. An automated user-friendly productivity prediction tool (HDD-PP) is developed to predict HDD productivity based on the NF model. This analysis has proved helpful for contractors, consultants, and HDD professionals in predicting execution time and estimating cost of HDD projects during the preconstruction phase.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle