Gradient Boosting Coupled with Oversampling Model for Prediction of Concrete Pipe-Joint Infiltration Using Designwise Data Set
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
Infiltration of groundwater through reinforced concrete pipe (RCP) joints under hydrostatic pressure has been a major costly challenge in municipal sewer network systems. Analysis of an exclusive designwise infiltration test data of RCP joints showed that conventional regression analysis failed to produce reliable predictions. Accordingly, tree-based machine-learning techniques including random forest, extra trees, and gradient boosting classifiers have been deployed in this study to create reliable models. A large designwise data set identifying failure of RCP joints and the effect of key design parameters was collected using a novel experimental program. Due to the resulting unbalanced experimental data set, oversampling techniques including synthetic minority over-sampling technique (SMOTE) and density based synthetic minority over-sampling technique (DBSMOTE) were employed to enhance predictive performance. Gradient boosting coupled with DBSMOTE offered a robust machine-learning model for predicting RCP joint hydrostatic infiltration. The hybrid gradient boosting classification (GBC)-DBSMOTE model achieved superior predictive accuracy in terms of several classification indicators, with promising capability to create RCP joint hydrostatic infiltration performance charts that capture the effects of key design parameters, such as pressure duration and level, pipe size, and gasket sealing. The robust predictive model could produce design charts that aid municipalities in proactively averting sewage system infiltration problems at low cost, instead of the prevailing reactive approach to this problem.
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 | 0,001 | 0,001 |
| 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