Modeling the Disinfection of Waterborne Bacteria Using Neural Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Neural networks offer an alternative approach to conventional mathematical models for modeling the disinfection of waterborne pathogens. The disinfection process was modeled using two different learning methods: back-propagation and simulated annealing. Simulated annealing is a robust method of optimization capable of escaping local optimums and determining global optimums. Gradient descent, which back-propagation is based on, is a more limited method of optimization that is unable to overcome local optimums. Many neural networks were developed using experimental data to model the disinfection of Escherichia coli and Eberthella typhosa using chlorine and chloramines. The neural network models were developed based on back propagation and simulated annealing and achieved comparable performance results. The models that were trained using simulated annealing required substantially more training time. Sensitivity analysis was used to explore the ability of the neural network models to learn known input variable trends for the disinfection process. Saliency analysis was used to rank the relative importance of each input variable. Each model successfully determined the appropriate input variable relationships. Based on the results of saliency analysis, all of the input variables were determined to be relevant to modeling the disinfection process for the studied combinations of disinfectants and pathogens. The disinfection model based on simulated annealing preformed slightly better relative to the model based on back propagation. Given the practical equivalence of performance results, the model based on back propagation is preferred as it avoids significant model training time.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle