Predicting Efficiency and Capacity of Drag Embedment Anchors in Sand Seabed Using Tree Machine Learning Algorithms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 découle