Artificial Neural Network and Neuro-Fuzzy Methodology for Phase Distribution Modeling of a Liquid–Solid Circulating Fluidized Bed Riser
Notice bibliographique
Résumé
Artificial Neural Network (ANN) and Adaptive Neuro-Fuzzy Inference System (ANFIS) modeling techniques are applied to study the radial and axial solids holdup distributions in a liquid–solid circulating fluidized bed (LSCFB) system. The modeling process is based on the experiments that were conducted using 500 μm size glass beads as solid phase. The radial nonuniformity of the solids holdup is observed under different superficial liquid velocities at superficial solids velocity of 0.95 cm/s and auxiliary liquid velocity of 1.4 cm/s at four axial locations ( H = 1.0, 2.0, 3.0, and 3.8 m above the distributor). The effects of different operating parameters such as auxiliary and primary liquid velocities and superficial solids velocity on radial phase distribution in different axial positions of the riser are considered in the model development and analysis. The adequacy of the developed models is investigated by comparing the model predicted and experimental solids holdup data obtained from the pilot scale LSCFB reactor. Radial nonuniformity of the solids holdup is observed under different superficial liquid velocities at superficial solids velocity of 0.95 cm/s and auxiliary liquid velocities of 1.4 cm/s at four axial locations ( H = 1, 2, 3, and 3.8 m above the distributor). The cross-sectional average solids holdup in axial directions is compared to the output of the two models. The model outputs show good agreements with the experimental data and reasonable trends of phase distributions. The correlation coefficient values of the predicted output and the experimental data are 0.95 and 0.96 for ANFIS and ANN models, respectively.
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 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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 tête enseignante, 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 ».