Machine learning-based prediction for airflow velocity in unpressured water-conveyance tunnels
Notice bibliographique
Résumé
Spillway and drainage tunnels have an open-channel flow pattern when operating under unpressured condition, above which air flow is driven and resisted by water flow, wall friction, and pressure difference. Unpressured tunnels present many airflow-related safety and environmental issues, including water flow fluctuation, gate vibration, shaft cover blow-off, and odor emission; therefore, it is valuable to study and predict their airflow velocity. Given the difficulty in accurate prediction of airflow velocity in unpressured tunnels and complicated influences of hydraulic, structural, and boundary pressure parameters, this study focuses on establishing high-performance prediction models and understanding the importance and independent and coupled influences of each parameter using machine learning. It is found that the water Froude number, ratio of free-surface width to unwetted perimeter, relative ventilation area, and relative tunnel length are four key parameters. By including these parameters in the input parameter combination, the machine learning models can well predict the airflow velocity in unpressured tunnels, achieving significantly higher performance than the existing empirical and theoretical models. Among these models, the models built by Random Forest and XGBoost demonstrate best performance with R2 ≥ 0.911. The interpretability analysis reveals the highest importance of the water Froude number and the ratio of free-surface width to unwetted perimeter, increases in which generally result in enhancement of the airflow velocity. The water Froude number plays a dominant role when it is ≤11.5, and a continuous increase exhibits a significantly marginal effect. The relative ventilation area and relative length of tunnels have close importances, with an increase in either generally promoting the airflow velocity. To help researchers and engineers unfamiliar with machine learning to easily and accurately predict the airflow velocity in unpressured tunnels, GPlearn algorithm is employed to establish explicit expressions, which is validated to have good performance with R2 close to 0.900.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».