Geometry simulation of stable channel bank profile using evolutionary PSO algorithm implementation in an ANFIS model
Notice bibliographique
Résumé
Forecasting the bank profile shape of stable hydraulic channels using empirical, experimental and numerical models is of special consideration among fluid mechanic and river science engineers. In the present paper, the application of soft computing methods is evaluated in predicting the geometry of stable channel cross sections. In this way, using a combination of the Particle Swarm Optimization (PSO) algorithm with an Adaptive Neuro-Fuzzy Inference System (ANFIS) model, a novel evolutionary system called ANFIS-PSO is presented. The evolutionary model performance is assessed in comparison with a simple ANFIS model. The coordinates of points located on a channel boundary in stable state were also measured by the authors using a sensor instrument in the laboratory at 4 different flow discharge rates of 1.157, 2.18, 2.57 and 6.2 l/s. The results indicate that the evolutionary ANFIS-PSO model with Root Mean Squared Error (RMSE) and Mean Absolute Relative Error (MARE) of 0.0132 and 0.1326 performed better than the ANFIS model with 0.026 and 0.1426 error values respectively (almost 97% and 10% decrease in RMSE and MARE value for the ANFIS-PSO model, respectively). This demonstrates the high ANFIS-PSO model accuracy in predicting bank profile characteristics. The robust evolutionary ANFIS-PSO proposed can be used in designing and estimating stable channel dimensions. The second-degree polynomial equation proposed by the evolutionary ANFIS-PSO model can be utilized in predicting the coordinates of other points located on a stable boundary of a channel cross section.
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 | 0,001 |
| 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) | 0,000 | 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 ».