Simulation of Subgouge Sand Deformations Using Robust Machine Learning Algorithms
Notice bibliographique
Résumé
Abstract Ice gouging is one of the major menaces to the subsea pipelines crossing the Arctic (e.g., Beaufort Sea) or the non-Arctic (e.g., Caspian Sea) shallow waters. Burial of the sea-bottom-founded infrastructures is regarded as a feasible method for protection of the subsea assets against the ice gouging threat. These pipelines are commonly embedded underneath the deepest ice-scoured records in the area, whereas the pipeline system is still threatened by the ice-induced soil displacement developed into the ice tip owing to the shear resistance of the seabed soil. Determination of the sub-gouge soil displacements is a governing design factor for the subsea structures in the Arctic offshore that commonly need costly laboratory studies and long-running finite element (FE) analyses to guarantee the operational integrity of the subsea pipeline against the ice-gouging event. Thus, the industry is still seeking more cost-effective, reliable, and faster alternative approaches for simulation of the iceberg-seabed-pipeline interaction process to minimize the collision risk of ice keels with the subsea structures. Recently, the application of machine learning (ML) in different fields has witnessed impressive growth since the ML technology is sufficiently precise, quick, reliable, and cost-effective to model various linear and non-linear problems. In this study, three robust ML algorithms comprising the Decision Tree Regression (DTR), Random Forest Regression (RFR), and Extra Tree Regression (ETR) models were used for the first time to simulate the iceberg-seabed interaction process in the sandy seabed. Using the parameters governing the ice-seabed interaction mechanism, a set of the DTR, RFR, and ETR models were developed. To verify the ML models, a comprehensive dataset was constructed and the data was divided into two sub-samples including the training (70% of data) and testing (the remaining 30% of the data) datasets. Subsequently, for the DTR, RFR, and ETR models, several analyses such as sensitivity analysis, error analysis, and uncertainty analysis were performed. The conducted analyses demonstrated that the ETR algorithm had a reasonable performance to simulate both horizontal and vertical sub-gouge soil deformations in the sand. The soil depth ratio (y/W) and the horizontal load factor (Lh/γs.W3) had substantial significance to model the horizontal and vertical deformations in the present study. The presented results provided a good notion of modeling the ice-gouging problem through the ETR algorithm. The outcomes may facilitate proposing new solutions to estimate the sub-gouge soil deformations in the sandy seabed. The present work can also be used for the planning of expensive field, laboratory, and FE simulations and to reduce the expenditures on future studies.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».