Teaching-Learning-Based Optimization of Neural Networks for Water Supply Pipe Condition Prediction
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
The bulk of water pipes experience major degradation and deterioration problems. This research aims at estimating the condition of water pipes in Shattora and Shaker Al-Bahery’s water distribution networks, in Egypt. The developed models involve training the Elman neural network (ENN) and feed-forward neural network (FFNN) coupled with particle swarm optimization (PSO), genetic algorithms (GA), the sine cosine algorithm (SCA), and the teaching-learning-based optimization (TLBO) algorithm. For the Shattora network, the inputs to these models are pipe characteristics such as length, wall thickness, diameter, material, lining and coating, surface type, traffic distribution, cathodic protection, flow velocity, and c-factor. For the Shaker Al-Bahery network, the data gathered include length, material, age, diameter, depth, and wall thickness. Three assessment criteria are used to evaluate the suggested machine learning models, namely index of agreement (IOA), correlation coefficient (R), and root mean squared error (RMSE). The results reveal that coupling FFNN with the TLBO algorithm outperforms other prediction models. Therefore, the FFNN-TLBO model can be a valuable tool for simulating the water network pipe condition. This study could help the water municipality allocate the available budget effectively and plan the required maintenance and rehabilitation actions.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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