Soft computing-based nonlinear fusion algorithms for describing non-Darcy flow in porous media
Notice bibliographique
Résumé
By increasing the velocity of flow in coarse grain materials, local turbulences are often imposed to the flow. As a result, the flow regime through rockfill structures deviates significantly from linear Darcy law; and nonlinear or non-Darcy flow equations will be applicable. Even though the structures of these nonlinear equations have some physical justifications, empirical studies are still necessary to estimate the parameters of these equations amid a great deal of uncertainty inherent to this estimation process. Consequently, none of the current empirical equations alone seem to be able to model the flow process exactly. In recent years, soft computing, in contrast to classical modeling techniques, has been advocated as a hybrid approach to intelligent paradigms such as neural networks, fuzzy logic, and neuro-fuzzy systems that aim to handle the uncertainties and vagueness in such systems. In this paper, we investigate several soft computing paradigms to combine three of the most commonly validated and utilized empirical solutions in the current literature. In this way, the estimates from the three empirical equations drive a soft computing-based fusion algorithm. The results show that soft computing-based approaches provide a powerful paradigm with a strong ability to model reality. Specifically, this paper concludes that cascade correlation neural networks provide the best fusion algorithm with the highest accuracy among the considered conventional alternatives as well as several other soft computing paradigms.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».