Integrated Genetic Algorithm−Artificial Neural Network Strategy for Modeling Important Multiphase-Flow Characteristics
Notice bibliographique
Résumé
Numerous investigations have shown that artificial neural networks (ANNs) can be successful for correlating experimental data sets of macroscopic multiphase-flow characteristics, e.g., holdup, pressure drop, and interfacial mass transfer. The approach proved its worth especially when rigorous fluid mechanics treatment based on the solution of first-principle equations is not tractable. One perennial obstacle facing correlations is the choice of a low-dimensionality input vector containing the most expressive dimensionless independent variables allowing the best correlation of the dependent output variable. Because no clue is known in advance, one has recourse to a laborious, often inefficient, and nonsystematic trial-and-error procedure to identify from a broad reservoir of possible candidates, the most relevant combination of ANN input dimensionless variables. The combinatorial nature of the problem renders the determination of the best combination, especially for multiphase flows, computationally difficult because of the large scale of the search space of combinations. A methodology is devised in this work to cope with this computational complexity by illustrating the potential of genetic algorithms (GAs) to efficiently identify the elite ANN input combination required for the prediction of desired characteristics. The multiobjective function to be minimized is a composite criterion that includes ANN prediction errors on both learning and generalization data sets, as well as a penalty function that embeds phenomenological rules accounting for ANN model likelihood and adherence to behavior dictated by the process physics. The proof of concept of the integrated GA−ANN methodology was illustrated using a comprehensive database of experimental total liquid holdup for countercurrent gas−liquid flows in randomly packed towers for extracting the best liquid hold-up correlation.
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 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».