Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Sequence Networks of Rotating Machines01:24

Sequence Networks of Rotating Machines

A Y-connected synchronous generator, grounded through a neutral impedance, is designed to produce balanced internal phase voltages with only positive-sequence components. The generator's sequence networks include a source voltage that is exclusively in the positive-sequence network. The sequence components of line-to-ground voltages at the generator terminals illustrate this configuration.
Zero-sequence current induces a voltage drop across the generator's neutral impedance and other...
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving01:29

Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving

Mechanistic models play a crucial role in algorithms for numerical problem-solving, particularly in nonlinear mixed effects modeling (NMEM). These models aim to minimize specific objective functions by evaluating various parameter estimates, leading to the development of systematic algorithms. In some cases, linearization techniques approximate the model using linear equations.
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Mechanical and microstructural enhancement of clayey soils through recycled glass powder stabilization.

Scientific reports·2025
Same author

2D discrete element analysis of the footing above excavated circle in soil.

Scientific reports·2024
Same author

Solidification and utilization of municipal solid waste incineration ashes: Advancements in alkali-activated materials and stabilization techniques, a review.

Journal of environmental management·2024
Same author

A state-of-the-art review on the application of lignosulfonate as a green alternative in soil stabilization.

The Science of the total environment·2024
Same author

Experimental investigation of the effect of landfill leachate on the mechanical and cracking behavior of polypropylene fiber-reinforced compacted clay liner.

Environmental science and pollution research international·2023
Same author

Application of the dynamic cone penetrometer test for determining the geotechnical characteristics of marl soils treated by lime.

Heliyon·2021

Video Experimental Relacionado

Updated: Jul 7, 2026

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

6.9K

Desarrollo de nuevos modelos inteligentes de aprendizaje automático para predecir los desplazamientos de los túneles

Abdollah Tabaroei1, Muhand Jawad Jasim2, Ali Mohammed Al-Araji3

  • 1Department of Civil Engineering, Eshragh Institute of Higher Education, Bojnourd, Iran. a.tabaroei@eshragh.ac.ir.

Scientific reports
|August 22, 2025
PubMed
Resumen

Nuevos modelos de aprendizaje automático predicen desplazamientos de túneles de excavaciones urbanas profundas. Estos modelos ayudan a evaluar los riesgos para la infraestructura subterránea como los túneles del metro durante la construcción.

Palabras clave:
Respuesta del túnel de excavaciónAprendizaje automáticoNuevos modelos inteligentesSimulaciones numéricasDesplazamientos de los túneles

Más Videos Relacionados

Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
08:27

Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines

Published on: January 5, 2024

1.2K
Surrogate Model Development for Digital Experiments in Welding
09:17

Surrogate Model Development for Digital Experiments in Welding

Published on: March 28, 2025

1.2K

Videos de Experimentos Relacionados

Last Updated: Jul 7, 2026

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

6.9K
Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
08:27

Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines

Published on: January 5, 2024

1.2K
Surrogate Model Development for Digital Experiments in Welding
09:17

Surrogate Model Development for Digital Experiments in Welding

Published on: March 28, 2025

1.2K

Área de la Ciencia:

  • Ingeniería geotécnica
  • Mecánica computacional
  • Aplicaciones de aprendizaje automático

Sus antecedentes:

  • El desarrollo urbano requiere excavaciones profundas para los cimientos, lo que plantea riesgos para las estructuras subterráneas cercanas.
  • Los túneles del metro son particularmente vulnerables a los desplazamientos causados por excavaciones profundas adyacentes.

Objetivo del estudio:

  • Desarrollar modelos inteligentes para predecir los desplazamientos de túneles inducidos por la excavación.
  • Analizar el impacto de la geometría de la excavación y la posición del túnel en el comportamiento del túnel.

Principales métodos:

  • Validación de un modelo tridimensional de elementos finitos (FE) con respecto a los estudios de caso.
  • Se llevaron a cabo simulaciones 3D FE con diferentes parámetros de excavación y túnel.
  • Desarrolló dos modelos de aprendizaje automático para predecir valores de desplazamiento específicos.

Principales resultados:

  • Se identificaron los mecanismos de desplazamiento del complejo de túneles de excavación.
  • La geometría de la excavación influye significativamente en los desplazamientos del túnel.
  • La proximidad del túnel a la excavación impacta el desplazamiento vertical, con una proximidad más cercana que causa el movimiento hacia abajo.

Conclusiones:

  • Los modelos de aprendizaje automático desarrollados predicen con precisión la excavación y el desplazamiento de túneles.
  • Los hallazgos proporcionan información para mitigar los riesgos para los túneles de excavaciones profundas.
  • Comprender los mecanismos de desplazamiento es crucial para la construcción urbana segura.