MétaCan
Menu
Retour à la cohorte
Enregistrement W4212967210 · doi:10.23919/oceans44145.2021.9706106

Estimates of Wave Field in the Vicinity of a Floating Body Using Its Motions and Machine Learning Techniques

2021· article· en· W4212967210 sur OpenAlexaff
Ayhan Akintürk, Hasanat Zaman, Dong Cheol Seo, Moqin He, Lawrence Mak

Notice bibliographique

RevueOCEANS 2021: San Diego – Porto · 2021
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueOcean Waves and Remote Sensing
Établissements canadiensNational Research Council Canada
Organismes subventionnairesnon disponible
Mots-clésHeading (navigation)Artificial neural networkField (mathematics)Computer scienceSatelliteArtificial intelligenceAcousticsMachine learningMarine engineeringEngineeringAerospace engineeringPhysicsMathematics

Résumé

récupéré en direct d'OpenAlex

Real time estimation of actual and imminent wave fields in the vicinity of ships and floating structures are important for safe and efficient operations. According to the relevant literature, three different approaches have been used practically: the use of wave buoys, ship radars (e.g. X-band and K-band radars) / satellite and ship motions. The present study employs artificial neural networks and machine learning type modelling to extend the previous research on neighboring wave field estimation to consider the relative heading between the ship and the waves. For the different cases evaluated, the proposed machine learning model showed very good prediction for relative heading. Some of the results from this study are presented in this paper.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,605
Score d'incertitude au seuil0,438

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,244
Écart entre enseignants0,218 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOCEANS 2021: San Diego – PortoMême sujetOcean Waves and Remote SensingTravaux en français237 207