Extra Tree Regression Algorithm for Simulation of Iceberg Draft and Subgouge Soil Characteristics
Notice bibliographique
Résumé
With the expansion of offshore and subsea infrastructure in Arctic and sub-Arctic regions, concerns are rising, driven by climate change and global warming, over the risk of drifting icebergs colliding with these structures in cold waters. Traditional methods for estimating iceberg underwater height and assessing subgouge soil properties, such as costly and time-consuming underwater surveys or centrifuge tests, are still used, but the industry continues to seek faster and more cost-efficient solutions. In this study, the extra tree regression (ETR) algorithm was employed for the first time to simultaneously model iceberg drafts and subgouge soil properties in both sandy and clay seabeds. The ETR approach first predicted the iceberg draft, then simulated subgouge soil reaction forces and deformations. A total of 22 ETR models were developed, incorporating parameters relevant to both iceberg draft estimation and subgouge soil characterization. The best-performing ETR models, along with the most influential input variables, were identified through a combination of sensitivity, error, discrepancy, and uncertainty analyses. The ETR model predicted iceberg draft with a high level of accuracy (R = 0.920, RMSE = 1.081), while the superior model for vertical reaction force in sand achieved an RMSE of 43.95 with 70% of predictions within 16% error. The methodology demonstrated improved prediction capacity over traditional techniques and can serve early-stage iceberg risk management.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».