Discharge estimation in converging and diverging compound open channels by using adaptive neuro-fuzzy inference system
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
The computation of total flow in a flooded river is very crucial work in designing economical flood defense schemes and drainage systems. Further, under non-uniform flow conditions like in converging and diverging compound channel, the traditional methods provide poor results with high errors. The analytical methods require the system of nonlinear equations to be solved, which is very complex. So, mathematical models that prompt in taking care of a complex system of problems are solved here through an artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS). By utilizing ANN and ANFIS, an attempt is made to predict the discharge in converging and diverging compound channels. In the analysis, the most influencing dimensionless parameters such as friction factor ratio, area ratio, hydraulic radius ratio, bed slope, width ratio, relative flow depth, angle of converging or diverging, relative longitudinal distance, and flow aspect ratio are taken into consideration for computation of discharge. Gamma test and M-test have been performed to achieve the best combinations of input parameters and training length respectively. The significant input parameters that influence the discharge are found to be friction factor ratio, hydraulic radius ratio, relative flow depth, and bed slope. A suitable performance is achieved by the ANFIS model as compared to ANN model with a high coefficient of determination of 0.86 and low root mean square error of 0.005 in predicting the discharge of non-prismatic compound channels taken under consideration.
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 | 0,001 |
| 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