Application of hybridized ensemble learning and equilibrium optimization in estimating damping ratios of municipal solid waste
Notice bibliographique
Résumé
Abstract The dynamic analysis of municipal solid waste (MSW) is essential for optimizing landfills and advancing sustainable development goals. Assessing damping ratio (D), a critical dynamic parameter, under laboratory conditions is costly and time-consuming, requiring specialized equipment and expertise. To streamline this process, this research leveraged several novel ensemble machine learning models integrated with the equilibrium optimizer algorithm (EOA) for the predictive analysis of damping characteristics. Data were gathered from 153 cyclic triaxial experiments on MSW, which examined the age, shear strain, weight, frequency, and percentage of plastic content. Analysis of a correlation heatmap indicated a significant dependence of D on shear strain within the collected MSW data. Subsequently, five advanced machine learning methods—adaptive boosting (AdaBoost), gradient boosting regression tree (GBRT), extreme gradient boosting (XGBoost), random forest (RF), and cubist regression—were employed to model D in landfill structures. Among these, the GBRT-EOA model demonstrated superior performance, with a coefficient of determination (R 2 ) of 0.898, root mean square error of 1.659, mean absolute error of 1.194, mean absolute percentage error of 0.095, and an a20-index of 0.891 for the test data. A Shapley additive explanation analysis was conducted to validate these models further, revealing the relative contributions of each studied variable to the predicted D-MSW. This holistic approach not only enhances the understanding of MSW dynamics but also aids in the efficient design and management of landfill systems.
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 | 0,001 | 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 ».