Iceberg-seabed interaction evaluation in clay seabed using tree-based machine learning algorithms
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
In Arctic offshore regions, the oil and gas hydrocarbons are transferred to the onshore basins through the subsea pipelines. However, the operational integrity of the subsea pipeline may be at risk of collision with traveling icebergs, which gouge the seabed in the Arctic shallow waters. Even though these sea bottom-founded structures are buried at a secure depth below the seafloor, the pipeline is still threatened by the ice scouring event extended much deeper than the ice tip due to the shear resistance of the seabed soil. Modeling the sub-gouge soil characteristics is a challenging problem that requires costly experimental and long-running finite element (FE) simulations. To overcome these challenges, in this paper, the reaction forces and sub-gouge soil deformations in clay were modeled using an advanced extra tree regression (ETR) algorithm, as a quick and cost-effective alternative for the early design phases of pipeline engineering projects. Eight ETR models, ETR 1 to ETR 8, were developed by using the input parameters governing the iceberg-seabed interaction problem. The collected data were randomly split into 70% for training the machine learning (ML) models and 30% for testing purposes. The most accurate ETR models and the most significant input parameters were identified by performing a sensitivity analysis. The comparison of the most accurate ETR models and decision tree regression (DTR), random forest regression (RFR), and gradient boosting regression (GBR) algorithms proved that the ETR models had better performance to simulate the ice keel seabed interaction in clay.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle