Predicting friction capacity of driven piles using new combinations of neural networks and metaheuristic optimization algorithms
Notice bibliographique
Résumé
Friction capacity is a principal characteristic in designing driven piles. Considering the complexities in analyzing the behavior of piles, many studies have recommended the use of machine learning for this purpose. However, the used methodologies need to be updated and improved with respect to recent computational advances such as the development of optimization algorithms. In this work, three metaheuristic algorithms, namely equilibrium optimizer (EO), biogeography-based optimization (BBO), and salp swarm algorithm (SSA) are deployed to optimize an artificial neural network (ANN) for predicting pile friction capacity based on pile geometry, effective stress, and shear strength. The findings indicate the suitability of the proposed algorithms. More specifically, in the training phase, the ANN supervised by SSA yielded the most accurate results, whereas in the testing phase, the BBO-ANN outperformed the two other models. The calculated mean absolute error, Pearson correlation coefficient, and root mean square error for the models are as follows: 6.0740, 0.9385, and 7.0678 for the EO-ANN, 6.1450, 0.9440, and 6.7343 for the BBO-ANN, and 5.9684, 0.9395, and 7.1322 for the SSA-ANN. It is shown that both SSA-ANN and BBO-ANN can serve as efficient tools for the reliable design of driven piles, providing efficient computational intelligence alternatives to traditional design methods.
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 ».