Improving the prediction of liquid back‐mixing in trickle‐bed reactors using a neural network approach
Notice bibliographique
Résumé
Abstract Current correlations aimed at estimating the extent of liquid back‐mixing, via an axial dispersion coefficient, in trickle‐bed reactors continue to draw doubts on their ability to conveniently represent this important macroscopic parameter. A comprehensive database containing 973 liquid axial dispersion coefficient measurements (DAX) for trickle‐bed operation reported in 22 publications between 1958 and 2001 was thus used to assess the convenience of the few available correlations. It was shown that none of the literature correlations was efficient at providing satisfactory predictions of the liquid axial dispersion coefficients. In response, artificial neural network modeling is proposed to improve the broadness and accuracy in predicting the DAX, whether the Piston–Dispersion (PD), Piston–Dispersion–Exchange (PDE) or PDE with intra‐particle diffusion model is employed to extract the DAX. A combination of six dimensionless groups and a discrimination code input representing the residence‐time distribution models are used to predict the Bodenstein number. The inputs are the liquid Reynolds, Galileo and Eötvos numbers, the gas Galileo number, a wall factor and a mixed Reynolds number involving the gas flow rate effect. The correlation yields an absolute average error (AARE) of 22% for the whole database with a standard deviation on the AARE of 24% and remains in accordance with parametric influences reported in the literature. © 2002 Society of Chemical Industry
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 | 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 ».