Evolutionary Prediction of the Trajectory of a Rosette Momentum Jet Group in Flowing Currents
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
Yan, X. and Mohammadian, A., 2020. Evolutionary prediction of the trajectory of a rosette momentum jet group in flowing currents. Journal of Coastal Research, 36(5), 1059–1067. Coconut Creek (Florida), ISSN 0749-0208.This study proposes a new approach to predicting the trajectory of a rosette momentum jet group in flowing currents, using multigene genetic programming (MGGP), which is an evolutionary-based artificial intelligence (AI) technique. The MGGP algorithm is used to develop explicit mathematical models that predict the dimensionless coordinates of the jet centerline trajectory as functions of the jet-to-ambient velocity ratios, the Reynolds numbers, the dimensionless jet angle, and the dimensionless travel distance. Experimental data are used to train the models, and the optimal models are identified using the Pareto-optimal approach, based on a performance–complexity trade-off. The same data, and some additional unseen data, are used to assess the performances of the developed models. The results show that the MGGP predictions have a good match with both the training and testing experimental datasets. The best MGGP model is also found to be superior to the best single-gene genetic programming (SGGP) model. This study demonstrates the suitability and capability of the MGGP technique in developing models for predicting the trajectory of a rosette momentum jet group in flowing currents, which can be used in many applications in the field of coastal science and engineering, such as the design of coastal outfall systems and assessment of environmental impacts.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 découle