Mutation-aware hybrid model for prediction of long-term ground settlement with uncertainty incorporated
Notice bibliographique
Résumé
Accurate prediction of long-term ground settlement is essential for protecting existing structures and ensuring the safe progress of filling works. However, most existing methods fail to accurately predict the long-term deformation evolution following unexpected mutations. The paper proposes a mutation-aware hybrid model (MAHM) for forecasting long-term settlement with uncertainty quantified. The MAHM comprises two components: an ensemble empirical equation that supplies prior physical and engineering basis, and a modified long short-term memory network (LSTM) that refines the empirical model. The modified LSTM is constrained by a time-aware loss and employs mutation-aware bootstrap training to capture abrupt deformation features and to quantify predictive uncertainty. The method is validated in four challenging case studies and compared with three existing models. Results show that, on average, MAHM reduces the relative L 2 error by approximately 58.2%, 13.6%, and 22.1% relative to the ensemble empirical equation, LSTM, and an alternative multi-fidelity model, respectively; the mean prediction error of MAHM across scenarios remains within 20%, and the average coverage of actual values within the 95% confidence interval exceeds 80%. Additionally, MAHM's accuracy improves over time as it is dynamically updated. The model offers a practical and data-efficient approach for predicting long-term deformation, facilitating the timely implementation of mitigation measures.
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 ».