Scour depth prediction at debris-affected bridge piers using interpretable hybrid machine learning models
0Citations signalées, ce qui n’est pas une note de qualité
3Institutions déclarées
3Pays d’affiliation déclarés
Rattachement africain : us, Afrique du Sud, jp. Niveau de preuve : code pays fourni par la source.
Résumé indisponible. Les résultats de l’étude ne doivent pas être déduits de son seul titre.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Scour depth prediction at debris-affected bridge piers using interpretable hybrid machine learning models
- Date Crossref
- 01/10/2026
- Éditeur
- Elsevier BV
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
University of Hawaiʻi at Mānoa pays non établi dans la noticeUniversité ou école supérieure
-
University of South Africa Afrique du Sud (code pays fourni par la source)Université ou école supérieure
-
Korea University pays non établi dans la noticeUniversité ou école supérieure
-
University of Hawaii at Manoa Department of Civil pays non établi dans la noticeUniversité ou école supérieure
-
UNESCO-UNISA Africa Chair in Nanoscience and Nanotechnology College of Graduate Studies Pretoria, Afrique du Sud (pays nommé en fin d’affiliation)Université ou école supérieure
-
School of Civil pays non établi dans la noticeUniversité ou école supérieure
University of Hawaiʻi at Mānoa, University of South Africa (Afrique du Sud) et Korea University, avec 3 autres affiliations. Pays d’affiliation : Afrique du Sud.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.
Les sujets associés
Hydrology and Sediment Transport ProcessesHydraulic flow and structuresDam Engineering and Safety