Efficacy of Artificial Neural Network and Adaptive Neuro-Fuzzy Inference System Models in Scour Depth Prediction at Submerged Weirs
Notice bibliographique
Résumé
Accurate assessment of scour depth is crucial for the safe design of hydraulic structures, particularly around submerged weirs, where the scouring process is inherently complex due to intricate sediment transport and scour mechanisms. Although several studies have addressed scour at submerged weirs, the literature reveals limited investigations. Traditionally, scour depth prediction models have relied on regression analysis of laboratory data. However, recent advancements in soft computing techniques have shown superior predictive capabilities for complex modeling problems. This study uses soft computing models, specifically Artificial Neural Networks (ANN) and Adaptive Neuro-Fuzzy Inference Systems (ANFIS), to predict scour depth at submerged weirs. These models are trained and validated using existing experimental data from the literature. Our analysis demonstrates that ANN and ANFIS outperform conventional regression models in predicting scour depth. The conventional Feed-Forward Backpropagation (FFBP) neural network yielded the highest predictive accuracy among the soft computing approaches. Additionally, sensitivity analysis identified flow intensity and relative weir height as the most influential parameters affecting relative scour depth. These findings underscore the potential of soft computing techniques in enhancing the reliability of scour depth predictions for hydraulic design applications.
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 ».