Improved Model of Deep-Draft Ship Squat in Shallow Waterways Using Stepwise Regression Trees
Notice bibliographique
Résumé
To maintain an optimum balance between security and efficiency of maritime transport in shallow waterways with a lot of deep-draft ship traffic such as in the St. Lawrence Waterway, it is particularly important to accurately estimate the ship squat, which is the reduction of the underkeel clearance between a vessel at rest and in motion. Recently, a squat model based on a regression tree was developed. The skill of this model to predict squat in the St. Lawrence Waterway exceeded the performance of 10 empirical models commonly used by the operational and regularity agencies. Although this approach is promising, two main problems were noticed: (1) the predictions obtained by the regression tree are not smooth and (2) the squat predicted with this model is not always monotonically increasing with ship speed (Froude number). In this paper, a stepwise regression tree algorithm is used to model squat. This approach has the same advantages as the regression tree (allowing the representation of complex and nonlinear relationships) and solves both of the aforementioned problems. Furthermore, the squat predictions of the new stepwise regression model outperform the predictions of the regression tree model and the Eryuzlu model, which is currently used by the Canadian Coast Guard. This new model could provide a handy tool for mariners to get real-time squat predictions in the St. Lawrence River. We also provide an algorithm that can be used to fit a squat model for any other economically important shallow waterway.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».