An optimized metamodel for predicting damage and oil outflow in tanker collision accidents
Notice bibliographique
Résumé
Society is concerned about maritime accidents since pollution, such as oil spills from ship accidents, adversely affects the marine environment. Operational and strategic pollution preparedness and response risk management are essential activities to mitigate such adverse impacts. Quantitative risk models and decision support systems (DSS) have been proposed to support these risk management activities. However, there currently is a lack of computationally fast and accurate models to estimate oil spill consequences. While resource-intensive simulation models are available to make accurate predictions, these are slow and cannot easily be integrated into quantitative risk models or DSS. Hence, there is a need to develop solutions to accelerate the computational process. A fast and accurate metamodel is developed in this work to predict damage and oil outflow in tanker collision accidents. To achieve this, multiobjective optimization is applied to three metamodeling approaches: Deep Neural Network, Polynomial Regression, and Gradient Boosting Regression Tree. The data used in these learning algorithms are generated using state-of-the-art engineering models for accidental damage and oil outflow dynamics. The multiobjective optimization approach leads to a computationally efficient and accurate model chosen from a set of optimized models. The results demonstrate the metamodel’s robust capacity to provide accurate and computationally efficient estimates of damage extents and volume of oil outflow. This model can be used in maritime risk analysis contexts, particularly in strategic pollution preparedness and response management. The models can also be linked to operational response DSS when fast, and reasonably accurate estimates of spill sizes are critical.
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 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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».