Experimental study of neuro-fuzzy-genetic framework for oil spillage risk management
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
This paper reports the findings from the experimental study of an intelligent system driven by Neural Network (NN), Fuzzy Logic (FL) and Genetic Algorithm (GA) for knowledge discovery and oil spillage risk management. Application software was developed in an environment characterized by 11Ants Analytics, Matrix Laboratory (MatLab), Microsoft Excel, SPSS and GraphPadInstat as frontend engines; Microsoft Access Database Management System as backend engine and Microsoft Windows as platform. 11Ants Analytics served as a tool for oil spillage indicators rank analysis and predictive model building. Matlab served as a tool for the extraction of patterns from 11Ants Analytics Model of oil spillage. Microsoft Excel serves as an interface between 11Ants Analytics and Matlab. Microsoft Excel, SPSS and GraphPadInstat serve as tools for the generation of relevant statistics. Indicators of oil spillage risks serve as input to the NN. GA is used to provide optimal set of parameters for NN training while FL used for modelling imprecise knowledge and provision of membership functions for the GA and NN. Data on Oil Spill incidences associated with oil exploration activities in the Niger Delta Region of Nigeria were collected from National Oil Spill Detection and Response Agency (NOSDRA) and used to assess and evaluate the practical function of the intelligent system. Adaptive Neuro-Fuzzy Inference System (ANFIS) driven by Mamdani’s inference mechanism was used to predict and estimate oil spillage risks. The findings from the experimental study are presented.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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