Predicting energy dissipation on stepped spillways using machine learning methods and feature selections

Simple item page
dc.contributor.authorAbdellaoui, Assia
dc.contributor.authorKaddour, Rayane
dc.date.accessioned2024-09-10T21:41:17Z
dc.date.available2024-09-10T21:41:17Z
dc.date.issued2024
dc.description.abstractCe mémoire examine le rôle crucial des déversoirs en escalier dans l'ingénierie hydraulique, en se concentrant sur leur capacité à dissiper l'énergie et à réduire l'érosion en aval, améliorant ainsi la sécurité des barrages. L'étude explore le contexte historique, les applications et les caractéristiques hydrauliques des déversoirs en escalier, mettant en lumière divers régimes d'écoulement tels que l'écoulement en nappe, l'écoulement transitoire et l'écoulement en régime turbulent. La recherche se concentre principalement sur l'application de méthodes d'apprentissage automatique (ML) pour prédire la dissipation d'énergie (ΔE/E₀) sur les déversoirs en escalier. Cinq techniques de ML ont été employées : Ensemble Trees (EnT), Réseaux de Neurones Artificiels (ANN), Régression à Vecteurs de Support (SVR), Arbres de Décision (DT) et Régression par Processus Gaussien (GPR). De plus, les Splines de Régression Adaptative Multivariée (MARS) ont été utilisées pour améliorer la précision prédictive et la sélection des caractéristiques. L'analyse comparative a révélé que les modèles utilisant uniquement les caractéristiques critiques identifiées par MARS (Fr1, DN) étaient généralement comparables, voire légèrement meilleurs, que ceux utilisant toutes les caractéristiques initiales. Les modèles MARS, GPR et ANN ont atteint la plus grande précision.
dc.identifier.urihttp://dspace.univ-oeb.dz:4000/handle/123456789/19676
dc.language.isoen
dc.publisherUniversité d'Oum El Bouaghi
dc.subjectPredicting energy; Learning methods
dc.titlePredicting energy dissipation on stepped spillways using machine learning methods and feature selections
dc.typeOther
Files
Original bundle
Now showing 1 - 2 of 2
No Thumbnail Available
Name:
Mémoire pour obtenir master 2024.pdf
Size:
2.85 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
ABSTRACT.doc
Size:
55.5 KB
Format:
Microsoft Word
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
قسم الري