Predicting submerged hydraulic jump characteristics using machine learning methods
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 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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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