Integrated ANN model for earthfill dams seepage analysis: Sattarkhan Dam in Iran
Notice bibliographique
Résumé
Piezometric heads in the core of Sattarkhan earthfill dam in Iran have been analyzed in this paper via Artificial Neural Network (ANN). Single and integrated ANN models were trained and verified using each piezometer’s data, and also the water levels on the up and downstream of the dam. Therefore, in the single ANN modeling a single ANN was developed for each piezometer, whereas in the integrated ANN modeling only a unique ANN was trained for all piezometers at different cross sections of the dam. Three-layered Perceptron ANN trained with Back Propagation Levenberg-Marquardt scheme was employed in the single modeling; while, two different ANN algorithms, the feed-forward back-propagation (FFBP) and the radial basis function (RBF) were employed to develop integrated ANNs. The number of hidden neurons were determined 5 and 7 for single ANNs, whereas 6 hidden neurons for the integrated FFBP ANN, and the spread value of 0.5 for the integrated RBF. The results show good agreement between computed and observed water heads at different monitoring piezometers with validation determination coefficients higher than 0.7984 in the single and 0.87 and 0.67 in the FFBP and RBF integrated modeling, respectively. Thereafter, the results of the ANNs were satisfactorily compared with the results of a physically based model (Finite Element Model, FEM).
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».