Predicting submerged hydraulic jump characteristics using machine learning methods
Notice bibliographique
Résumé
Abstract Hydraulic jump typically occurs downstream of hydraulic structures by converting the supercritical to subcritical flow regimes. If the tail-water depth is greater than the secondary depth of the hydraulic jump, the jump will be submerged (SHJ). In these conditions, the momentum equations will not have an analytical solution and a new solution is required. In this study, after dimensional analysis, an experimental study was conducted in a rectangular flume with a length of 9 m, a width of 0.5 m and a depth of 0.45 m in a wide range of Froude numbers (Fr = 3.5 to 11.5) and submergence ratios (Sr = 0.1 to 4). The data were then normalized and divided into two parts of training and testing. A new technique, DGMDH, was used to predict the submerged hydraulic jump characteristics. The results were then compared with the GMDH model. The results showed that the DGMDH model estimated the relative submergence depth, jump length, and relative energy loss with accuracy of R2 = 0.9944 and MAPE = 0.038, R2 = 0.9779 and MAPE = 0.0387, and R2 = 0.9932 and MAPE = 0.0192, respectively. While the accuracy of the GMDH model for relative submergence depth, jump length, and relative energy loss was respectively R2 = 0.9923 and MAPE = 0.043, R2 = 0.9671 and MAPE = 0.0527, and R2 = 0.9932 and MAPE = 0.0192. Due to superiority of the DGMDH model over the GMDH model, it is recommended to use this model to estimate the submerged hydraulic jump characteristics.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».