相关实验视频
Updated: Jun 9, 2025

Image-based Lagrangian Particle Tracking in Bed-load Experiments
Published on: July 20, 2017
使用元启发式机器学习进行床载预测的比较整体方法
Ajaz Ahmad Mir1, Mahesh Patel2, Fahad Albalawi3
1Department of Civil Engineering, Dr B R Ambedkar National Institute of Technology Jalandhar, Jalandhar, Punjab, 144011, India.
使用新的机器学习 (ML) 模型组合,提高了准确的床载量预测. XGBoost表现出卓越的性能,为液压工程和沉积物运输分析提供了宝贵的见解.
科学领域:
- 液压工程 液压工程 液压工程
- 沉积物运输 沉积物运输
- 机器学习应用 机器学习应用
背景情况:
- 由于复杂的沉积物运输过程和环境因素,床载荷预测是复杂的.
- 准确的床载预测对于有效的液压工程设计和管理至关重要.
研究的目的:
- 开发和比较元启发式机器学习 (ML) 模型,以提高床位负载预测的准确性.
- 通过敏感性和SHAP分析,确定影响床载运输的关键因素.
主要方法:
- 与ML模型采用集体方法:K-最近邻居 (KNN),额外树木回归器 (ETR),线性回归 (LR),随机森林 (RF),包装回归器 (BR) 和XGBoost (XGB).
- 利用实验室流体实验数据进行模型培训和验证.
- 进行了灵敏度分析,SHAP分析,REC曲线和k折交叉验证,以评估模型性能和稳定性.
主要成果:
- XGBoost获得了最高的精度,R2 = 0.99和RMSE = 0.11.
- 盾牌参数被确定为预测床位负载的关键因素.
- BR,XGB和RF模型表现出比KNN和LR模型更好的性能.
结论:
- 机器学习算法显著提高了床载运输预测的准确性.
- 开发的整体方法和GUI为液压工程师提供了有价值的工具.
- 机器学习模型为土木工程实践在沉积物运输中提供了关键的见解和增强的能力.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
相关概念视频
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Typical Model Studies
Modeling and Similitude
Response Surface Methodology
The process of RSM involves several key steps: