Application of adaptive neuro-fuzzy inference system for the estimation of roughness coefficient of a meandering open-channel flow
Notice bibliographique
Résumé
An experimental investigation concerning the variation in roughness for meandering channels with flow depths, aspect ratio and sinuosity is presented. Test results revealed that the value of roughness coefficient in terms of Chezy's C increases with increase in aspect ratio and sinuosity. Adaptive neuro-fuzzy-based inference system (ANFIS), an integrated system, a combination of fuzzy logic and neural network is employed to find out the roughness coefficient of a meandering channel. Estimation of roughness coefficient is important for forecasting of discharge because its flexibility to resolve issues supported nonlinearity, randomness and uncertainty of knowledge. In the present work, an ANFIS-based model is developed for the prediction of the roughness coefficient of a meandering channel in terms of Chezy's C. Different standard methods to predict this variable are conjointly tested and verified with the laboratory findings as well as global data moreover. By comparing the results with the established standard methods available in the literature, it was observed that traditional methods could not provide satisfactory output at different surface and hydraulic conditions. Statistical error analysis is also carried out in which it was found that ANFIS model performed more accurately giving results with less error than different existing strategies. The analysis shows a high level of accuracy with regard to the ANFIS-based model developed for predicting the Chezy's C especially coefficients of determination are found to be more encouraging.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».