Neural Network Prediction of Air Stripping KLa
Notice bibliographique
Résumé
Design of air stripping packed towers used to remove volatile organic compounds requires an estimate of the overall mass transfer coefficient (KLa), which is frequently obtained via physically based parametric correlations. Parametric correlations have some shortcomings and produce predictions with relatively large deviations for full-scale, modern application of air stripping towers. In this study, neural network (NN) technology, a powerful new nonparametric approach, is used to analyze mass transfer characteristics in air stripping towers and to simulate KLa. A large database that is representative of current applications of air stripping towers was assembled for this analysis. The KLa predictions by neural networks were superior to both the Onda model [Onda, K., Takeuchi, H., and Okumoto, Y. (1968). “Mass transfer between gas and liquid phases in packed columns.” J. Chem. Eng. Jpn., 1, 56–62.] and an improved Onda model [Djebber, Y. and Narbaitz, R. M. (unpublished)], the best existing parametric models for air stripping applications. The average absolute error for the validation, as well as for the development data, were found to be less than 19%. The NN model was able to simulate the sudden increase in KLa at high gas loading rates. Also, it simulated more realistically the effect of the packing depth and liquid flow.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».