MétaCan
Menu
Retour à la cohorte
Enregistrement W2122251337 · doi:10.1002/cjce.22171

Evaluation of photocatalytic activity of immobilized titania nanoparticles by support vector machine and artificial neural network

2015· article· en· W2122251337 sur OpenAlex

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.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueThe Canadian Journal of Chemical Engineering · 2015
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWater Quality Monitoring and Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMean squared errorArtificial neural networkSupport vector machinePhotodegradationPhotocatalysisNanoparticleBiological systemComputer scienceMaterials scienceArtificial intelligenceCatalysisChemistryMathematicsNanotechnologyOrganic chemistryStatistics

Résumé

récupéré en direct d'OpenAlex

In this study, TiO 2 nanoparticles immobilized on sackcloth fibre were used for the photodegradation of acid dye, and the efficiency of heterogeneous photocatalysts was predicted using the support vector machines model and artificial neural network model. Acid Red 73 was applied as a model compound. The experimental results were determined as the function of key factors such as initial H 2 O 2 concentration, dye concentration, dissolved anions, pH, and time. The obtained results were used for training the models. To find the most suitable and reliable network, different algorithms and transfer functions were tested. The trial and error method was used to find the optimum number of neurons and layers. The root mean squared of error (RMSE), the sum of square error (SSE), and R 2 for the models were calculated. Results show that support vector machines and neural network models can effectively learn and model the aforementioned process and predict the efficiency of photodegradation of coloured wastewater.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,512

Scores Codex et Gemma par catégorie

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

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 Opus0,030
Tête enseignante GPT0,240
Écart entre enseignants0,210 · 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