Fast mathematical modeling of partial-breach dam-break flow using a time-series field-reconstruction deep learning approach
Notice bibliographique
Résumé
Mathematical modeling of dam-breach flow can provide a better understanding of dam failure events, which in turn helps people to reduce potential losses. In the present study, the smooth particle hydrodynamics (SPH) modeling approach was employed to simulate the three-dimensional (3D) partial-breach dam-break flow using two different viscosity models: the artificial viscosity and sub-particle-scale models. The validated and best-performing SPH model was further employed to conduct numerical experiments for various scenarios, which generated a comprehensive dataset. The current work also presents a novel time-series field-reconstruction deep learning (DL) approach: Time Series Convolutional Neural Input Network (TSCNIN) for modeling the transient process of partial-breach dam-break flow and for providing the complete flow field. This approach was constructed based on the long short-term memory and convolutional neural network algorithms with additional input layers. A DL-based model was trained and validated using the numerical data, and tested using two additional unseen scenarios. The results demonstrated that the DL-based model can accurately and efficiently predict the transient water inundation process, and model the influence of dam-break gaps. This study provided a new avenue of simulating partial-breach dam-break flow using the time-series DL approaches and demonstrated the capability of the TSCNIN algorithm in reconstructing the complete fields of transient variables.
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 | 0,000 | 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 ».