SEDIMENT MODEL FOR NATURAL AND MAN-MADE CHANNELS USING GENERAL REGRESSION NEURAL NETWORK
Notice bibliographique
Résumé
This paper presents a new sediment transport model using general regression neural network (GRNN) that are applicable for both natural and man-made channels. GRNN is a supervised network that trains quickly sparse data sets. The network architecture responses very well with data that is spasmodic in nature than back propagation algorithm. Field data (499 data) extracted from rivers in Selangor, Perak and Kedah are used in the training and testing phases. The model is further tested using hydraulics and sediment data from rivers in the United States namely Sacremento, Atchafalaya, Colorado, Mississippi, Middle Loup, Mountain Creek, Niobrara, Saskatchewan, Oak Creek, Red, Rio Grande rivers and Chop Irrigation Canal. Four independent variables, namely, relative roughness on the bed (R/d 50 ), ratio of shear velocity and fall velocity (U * /W s ), ratio of shear velocity and average velocity (U * /V) and the Froude Number (V/√gy) are used as input variables in the input layer and the total sediment load Q T as the output variable. The proposed GRNN sediment model had accurately predicted 89% of the river data sets (local and foreign rivers) with 90% of the predicted values lie in the discrepancy ratio of 0.5 – 2.0. For the sake of illustrations, accuracy of the derived sediment transport model is also measured using smaller range of discrepancy ratios.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».