Improved Model of Deep-Draft Ship Squat in Shallow Waterways Using Stepwise Regression Trees
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
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.
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 | 0,000 | 0,000 |
| 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