MétaCan
Menu
Retour à la cohorte
Enregistrement W2003200838 · doi:10.1002/cjce.21681

Vortex motion‐based particle swarm optimisation for energy consumption of alumina evaporation

2012· article· en· W2003200838 sur OpenAlexvenueaboutno aff
Hongqiu Zhu, Qinqin Chai, Chunhua Yang, Xiaoli Wang

Notice bibliographique

RevueThe Canadian Journal of Chemical Engineering · 2012
Typearticle
Langueen
DomaineComputer Science
ThématiqueMetaheuristic Optimization Algorithms Research
Établissements canadiensnon disponible
Organismes subventionnairesNational Science Fund for Distinguished Young ScholarsNational Natural Science Foundation of China
Mots-clésSodium aluminateEvaporationParticle swarm optimizationProcess engineeringProcess (computing)Benchmark (surveying)Energy consumptionVortexParticle (ecology)Regenerative heat exchangerMathematical optimizationSteam reformingComputer scienceMaterials scienceEngineeringAlgorithmHeat exchangerMechanical engineeringChemistryMechanicsMathematicsThermodynamicsAluminiumPhysicsComposite material

Résumé

récupéré en direct d'OpenAlex

Abstract The aim of the alumina evaporation process is to improve the concentration of sodium aluminate solution by evaporating the excess water contained in the solution. The evaporation is achieved using heat from steam. Since steam consumption is the major operating costs, in this paper, we investigate an operation optimisation problem for the evaporation process to minimise steam consumption subject to a constraint on the particular quality of the final sodium aluminate solution. This paper proposes a new particle swarm optimisation (PSO) algorithm based on vortex motion to solve this optimisation problem. We demonstrate the effectiveness of the PSO algorithm on benchmark functions. We then apply it to a real industrial evaporation process, where the optimal results show that the steam consumption is considerably reduced. © 2012 Canadian Society for Chemical Engineering

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,252
Écart entre enseignants0,219 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2012
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Chemical EngineeringMême sujetMetaheuristic Optimization Algorithms ResearchTravaux en français237 207