An expert system for predicting the infiltration characteristics
Notice bibliographique
Résumé
Abstract Infiltration plays a fundamental role in streamflow, groundwater recharge, subsurface flow, and surface and subsurface water quality and quantity. This study includes a comparative analysis of the two machine learning techniques, M5P model tree (M5P) and Gene Expression Programming (GEP), in predictions of the infiltration characteristics. The models were trained and tested using the 7 combination (CMB1 – CMB7) of input parameters; moisture content (m), bulk density of soil (D), percentage of silt (SI), sand (SA) and clay (C), and time (t), with output parameters; cumulative infiltration (CI) and infiltration rate (IR). Results suggested that GEP has an edge over M5P to predict the IR and CI with R, RMSE and MAE values 0.9343, 15.9667 mm/hr & 8.7676 mm/hr, and 0.9586, 9.2522 mm and 7.7865 mm for IR and CI, respectively with CMB1. Although the M5P model also gave good results with R, RMSE and MAE values 0.9192, 14.1821 mm/hr, and 19.2497 mm/hr, and 0.8987, 11.2144 mm and 18.4328 mm for IR and CI, respectively, but lower than GEP. Furthermore, single-factor ANOVA and uncertainty analysis were used to show the significance of the predicted results and to find the most efficient soft computing techniques respectively.
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 | 0,000 | 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 | 0,001 | 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 ».