Hybrid Grey Wolf Optimization-Based Gaussian Process Regression Model for Simulating Deterioration Behavior of Highway Tunnel Components
Notice bibliographique
Résumé
Highway tunnels are one of the paramount infrastructure systems that affect the welfare of communities. They are vulnerable to higher limits of deterioration, yet there are limited available funds for maintenance and rehabilitation. This state of circumstances entails the development of a deterioration model to forecast the performance condition behavior of critical tunnel elements. Accordingly, this research paper proposes an integrated deterioration prediction model for five highway tunnel elements, namely, cast-in-place tunnel liners, concrete interior walls, concrete portal, concrete ceiling slab, and concrete slab on grade. The developed deterioration model is envisioned in two fundamental components, which are model calibration and model assessment. In the first component, an integrated model of Gaussian process regression and a grey wolf optimization algorithm (GWO-GPR) is introduced for deterioration behavior prediction of highway tunnel elements. In this regard, the grey wolf optimizer is exploited to improve the prediction accuracies of the Gaussian process through optimal estimation of its hyper parameters and to automatically interpret the significant deterioration factors. The second component involves three tiers of performance evaluation comparison, statistical significance comparisons, and consolidated ranking to assess the prediction accuracies of the developed GWO-GPR model. In this regard, the developed model is validated against six widely acknowledged machine learning models, which are back-propagation artificial neural network, Elman neural network, cascade forward neural network, generalized regression neural network, support vector machines, and regression tree. Results demonstrate that the developed GWO-GPR model significantly outperformed other deterioration prediction models in the five tunnel elements. In cast-in-place tunnel liners it accomplished a mean absolute percentage error, mean absolute error, root mean square percentage error, root relative squared error, and relative absolute error of 1.65%, 0.018, 0.21%, 0.018, and 0.147, respectively. In this context, it was inferred that the developed GWO-GPR model managed to reduce the prediction errors of the back-propagation artificial neural network, Elman neural network, and support vector machines by 84.71%, 76.91%, and 69.6%, respectively. It can be concluded that the developed deterioration model can assist transportation agencies in creating timely and cost-efficient maintenance schedules of highway tunnels.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».