Prediction of thermal conductivity of frozen soils from basic soil properties using ensemble learning methods
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
• Two ensemble learning methods-based models are proposed to evaluate the thermal conductivity of frozen soils using easily measured parameters. • The temperature range has a more significant impact on the unfrozen water content than on the thermal conductivity of frozen soils. • The model based on the boosting algorithm performs better on the dataset than the model based on the bagging algorithm. Thermal conductivity is one of the important properties required for understanding the frozen soils behavior. There are several models available in the literature for the prediction of thermal conductivity of frozen soils based on the proportions of unfrozen water, ice, gas, and soil particles. In this study, two ensemble learning methods-based models; namely, the Random Forest (RF) model and the Least Squares Boosting (LSB) model, are extended to estimate the thermal conductivity of frozen soils. These models utilize basic soil properties as input parameters that include water content, dry density, temperature, and fractions of gravel, sand, silt, and clay, can be measured easily, or determined. Additionally, seven widely used thermal conductivity models, referred to as the traditional models for frozen soils, were evaluated. Both the RF and LSB models, as well as the traditional models, were assessed using data of 823 tests derived from 43 soils with different textures that were gathered from the literature. The results highlight that the traditional models have their strengths and limitations in terms of their use for different types of soils. In contrast, the proposed ensemble learning methods-based models provide higher prediction accuracy compared to the traditional models and can be applied to all soil types and temperature ranges. Furthermore, estimation from the ensemble learning methods-based models can be used to provide probability of multi-dimensional analysis of frozen soils.
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 | 0,000 | 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) | 0,002 | 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