Local scour around bridge abutments in vegetated beds under ice-covered flow conditions – An experimental study and mathematical assessment using machine learning methods
Notice bibliographique
Résumé
• The first investigation of local scour at bridge abutments under ice-covered flow in vegetated channel bed. • The cover roughness, abutment shape and vegetation density are critical factors affecting the scour depth. • Using various machine learning techniques, two formulas have been created to accurately predict the maximum scour depth. Local scour around bridge abutments is a critical process that can cause bridge failures, posing substantial environmental risks. Accurate estimation of the maximum scour depth around bridge abutments is crucial for bridge design. In the current study, extensive experiments have been conducted in a large-scale outdoor flume to investigate local scour around the bridge in the presence of vegetation in the channel bed and ice cover on the water surface. Different layout vegetation patterns and densities, water surface cover conditions, abutment shapes, and particle size of bed material are considered. Based on data collected from laboratory experiments, this study employs machine learning methods, including Artificial Neural Networks (ANN), Support Vector Machines (SVM), Multiple Linear Regression (MLR), and Gene Expression Programming (GEP), to predict the maximum scour depth around the abutments, with the GEP model showing the highest accuracy. Results revealed deeper scour with higher Froude numbers, rectangular abutments, and increased ice roughness, while coarser sediments and dense, staggered vegetation reduced scour. Sensitivity analysis using the Partial Mutual Information (PMI) and SHAP (SHapley Additive exPlanations) captured the effects of key variables affecting the maximum scour depth around abutments, including flow Froude number (Fr), the ratio of median grain size of bed material to flow depth (d 50 /H), the standard deviation of sediments (σ g ), the ratio of ice cover roughness coefficient to that of channel bed (n I /n B ), abutment shape factor (K s ), and vegetation roughness density (λ). Two predictive formulas were developed for use in vegetated, ice-covered channels.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».