Unified correlation for overall gas hold‐up in bubble column reactors for various gas–liquid systems using hybrid genetic algorithm‐support vector regression technique
Notice bibliographique
Résumé
Abstract The objective of this study is to collect the data on overall gas hold‐up (∈G) for bubble column reactors handling various gas–liquid systems and further develop a unified data‐driven model for the estimation of the same. In this work, around 3300 experimental points for ∈G have been collected from 85 open sources spanning the years 1963–2008. The data‐driven model for overall gas hold‐up has been established using hybrid Genetic Algorithm‐Support Vector Regression (GA‐SVR)‐based methodology. In the present study, GA has been used for nonlinear rescaling of the parameters. These exponentially scaled parameters are subsequently subjected for SVR training. The technique is an extension of conventional SVR technique, showing relatively enhanced results. The proposed hybrid model is based on various prominent design and operating parameters (15 in number) which includes superficial gas velocity, superficial liquid velocity, gas density, molecular weight of gas, sparger type, sparger hole diameter, number of sparger holes, liquid viscosity, liquid density, liquid surface tension, ionic strength of liquid, operating temperature, operating pressure, liquid height, and the column diameter. The estimations made by the SVR‐based unified model for ∈G shows an excellent agreement with actual values with estimation accuracy of 98.5% and % AARE of 9.32%. For ease in applicability and ready reference of the practicing engineers, the hybrid GA‐SVR‐based model in the form of software and the entire database for ∈G has been uploaded on the link http://www.esnips.com/web/UICT‐NCL .
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».