Feasibility of Random-Forest Approach for Prediction of Ground Settlements Induced by the Construction of a Shield-Driven Tunnel
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
Ground settlements above a tunnel as a result of tunnel construction can be predicted with the help of input variables that have direct physical significance. Several empirical and artificial intelligence methods for estimating ground settlements have been established by researchers. However, these methods have some limitations because the large number of influential factors involved makes tunnel–ground interaction complicated. In this work, a random forest (RF) was developed and employed to predict ground settlements above tunnels. To achieve this goal, tunnel geometry, geological properties, and construction parameters were investigated as input variables to utilize in the RF modeling, resulting in the maximum surface settlement value (Smax) and trough width (i) as the ground surface settlement index. To demonstrate the applicability of the RF model, two data sets associated with different features, which were obtained from a detailed investigation of different tunnel projects published in literature, were utilized for model development and were applied to check the performance capacity of the developed model. A fivefold cross-validation procedure was then applied to identify the optimal parameter values during modeling, and an external testing set was employed to validate the prediction performance of the model. Two performance measures, R2 and RMS error, were employed. The relative importance of different parameters in the prediction of ground settlements was also investigated. Findings demonstrate that the RF method provides promising results and offers an alternative means in predicting ground settlements induced by tunneling.
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