文献

J-GLOBAL ID：202002283169603917   整理番号：20A2458654

水中堰の洗掘深さをモデル化するための進化的最適化人工知能モデル【JST・京大機械翻訳】

An evolutionary optimized artificial intelligence model for modeling scouring depth of submerged weir

著者 (5件)： Salih Sinan Q. (Institute of Research and Development, Duy Tan University, Da Nang 550000, Viet Nam) ,  Habib Maria (King Abdullah II School for Information Technology, The University of Jordan, Amman, Jordan) ,  Aljarah Ibrahim (King Abdullah II School for Information Technology, The University of Jordan, Amman, Jordan) ,  Faris Hossam (King Abdullah II School for Information Technology, The University of Jordan, Amman, Jordan) ,  Yaseen Zaher Mundher (Sustainable Developments in Civil Engineering Research Group, Faculty of Civil Engineering, Ton Duc Thang University, Ho Chi Minh City, Viet Nam)
資料名： Engineering Applications of Artificial Intelligence  (Engineering Applications of Artificial Intelligence)
巻： 96  ページ： Null  発行年： 2020年 
JST資料番号： T0797A  ISSN： 0952-1976  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 計算機支援と人工知能(AI)モデルの進歩は,いくつかの工学応用において顕著な進展を受けてきた。本研究では,水没堰の深さ洗掘を予測するためのハイブリッド人工知能モデルの能力を調べた。掘削現象は,河川と水力工学の分野で最も複雑な問題の1つである。深さ洗掘(ds)のための正確で正確な予測は,持続可能な水理構造を維持するための必須プロセスの一つである。本論文は,効率的予測モデルとしてサポートベクトル回帰(SVR)モデルと強化バイナリ粒子群最適化(PSO)アルゴリズムのハイブリッド化であるtBPSO-SVRと呼ばれる新しい予測モデルを紹介した。PSOアルゴリズムの役割は,dsモデリングのための予測子選択”特徴選択”の最適化に加えて,SVRモデルの内部ハイパーパラメータを調整する。予測マトリックスは,いくつかの関連した幾何学的次元,流動情報と堆積物特性に基づいて構築した。提案したモデルを,文献上で導入したいくつかの良く確立された機械学習モデルに対して検証した。提案したtBPSO-SVRモデルの予測ポテンシャルは,優れた能力を示した。定量的項において,tBPSO-SVRは最小平均絶対誤差(MAE=0.012m)と最大決定係数(R2=0.956)を達成した。注目すべきことに,提案したハイブリッド人工知能は,入力パラメータの低減による深さ洗掘予測のための効率的な予測モデルを示した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *最適化 ,  河川 ,  特徴選択 ,  *人工知能 ,  *洗掘 ,  計算機械 ,  水没 ,  機械学習 ,  予測モデル
準シソーラス用語： 粒子群最適化 ,  予測子 ,  決定係数 ,  サポートベクトル回帰 ,  ハイパーパラメータ , 【Automatic Indexing@JST】

著者キーワード (5件)： 深さ洗掘 ,  二値最適化 ,  特徴選択 ,  サポートベクトル回帰 ,  粒子群最適化

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： 水中 ,  堰 ,  洗掘 ,  モデル化 ,  進化的最適化 ,  人工知能 ,  モデル