Gradient Boosting Coupled with Oversampling Model for Prediction of Concrete Pipe-Joint Infiltration Using Designwise Data Set
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».