Evolutionary optimization of neural network to predict sediment transport without sedimentation
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
Abstract Sedimentation in open channels occurs frequently and is relative to system inflow. The long-term retention of sediments on channel beds can increase the possibility of variations in deposits and their eventual consolidation. This study compares three hybrid artificial intelligence methods in estimating sediment transport without sedimentation (STWS). We employed the Particle Swarm Optimization (PSO), Imperialist Competitive Algorithm (ICA) and Genetic Algorithm (GA) methods in combination with the Artificial Neural Network (ANN) to overcome the weakness of ANN training with conventional algorithms. We used the ICA, GA and PSO methods to optimize the weights of the ANN layers. Using dimensional analysis, we placed the effective parameters in predicting sediment transport into five non-dimensional groups. Six models are proposed and run using three hybrid methods (18 models in total). As the comparisons demonstrate, the proposed combined models are more accurate than ANN and existing equations in estimating the densimetric Froude number (Fr). However, we found the ICA–ANN superior to GA–ANN and PSO–ANN, as it produces explicit solutions to the problem. The ICA–ANN has the lowest prediction uncertainty band for Fr of all developed models. Moreover, the variation trend of the Fr for all input variables (except overall friction factor of sediment) is a second-order polynomial.
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) | 0,001 | 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 découle