Predicting Efficiency and Capacity of Drag Embedment Anchors in Sand Seabed Using Tree Machine Learning Algorithms
Notice bibliographique
Résumé
Drag embedment anchors (DEAs) play a vital role in maintaining the stability and safety of offshore structures, including floating wind turbines, oil rigs, and marine renewable energy systems. Accurate prediction of anchor performance is essential for optimizing mooring system designs, reducing costs, and minimizing risks in challenging marine environments. By leveraging advanced machine learning techniques, this research provides innovative solutions to longstanding challenges in geotechnical engineering, paving the way for more efficient and reliable offshore operations. The findings contribute significantly to developing sustainable marine infrastructure while addressing the growing global demand for renewable energy solutions in coastal and deep-water environments. This current study evaluated tree-based machine learning algorithms, e.g., decision tree regression (DTR) and random forest regression (RFR), to predict the holding capacity and efficiency of DEAs in sand seabed. To train and validate the results of machine learning models, the K-fold cross-validation method, with K = 5, was utilized. Eleven geotechnical and geometric parameters, including sand friction angle (φ), fluke-shank angle (α), and anchor dimensions, were analyzed using 23 model configurations. Results demonstrated that RFR outperformed DTR, achieving the highest accuracy for capacity prediction (R = 0.985, RMSE = 344.577 KN) and for efficiency (R = 0.977, RMSE = 0.821 KN). Key findings revealed that soil strength dominated capacity, while fluke-shank angle critically influenced efficiency. Single-parameter models failed to capture complex soil-anchor interactions, underscoring the necessity of multivariate analysis. The ensemble approach of RFR provided superior generalization across diverse seabed conditions, maintaining errors within ±10% for capacity and ±5% for efficiency.
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 | 0,002 | 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 | 0,000 |
| 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 ».