Development of an Artificial Neural Network to Predict Sulphide Capacities of CaO–SiO<sub>2</sub>–Al<sub>2</sub>O<sub>3</sub>–MgO Slag System
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
Depletion of the high quality ores around the world has forced ferronickel producers to extract metal values from low-grade ore bodies with significant amounts of impurities. Under this condition, maintaining alloy quality is of utmost importance for the smelters; however still, accessibility of a reliable sulphide capacity model for FeNi refining processes is an issue. Many of the current models, such as those incorporating optical basicity, have proven to be erroneous and unreliable for wide ranges of composition and temperature. These models are typically developed and tested without a proper validation method thus allowing for great correlations which may not fare well with the introduction of new data. Models built from fundamental thermodynamic data perform much better in predicting sulphide capacities but are not only complicated to formulate but also too complicated to be used by operators on a day to day basis as multitude of inputs are needed. Hence, development of a reliable model based on fundamentals, which can also be directly used by plant operators is very much demanded by the industry. In the current study, an artificial neural network (ANN) approach has been used to predict sulphide capacities of slag compositions in the CaO–SiO2–Al2O3–MgO system with an objective to be used in ferronickel refining processes. The resulting models are evaluated on: 1) coefficient of multiple determination (R2), 2) correlation strength (r), 3) root mean square error (RMSE) and 4) computation speed. The ANN based model has shown to be superior in predicting sulphide capacities to current models.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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