Experimental methods in chemical engineering: Artificial neural networks–ANNs
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
Artificial neural networks (ANNs) are one of the most powerful and versatile tools provided by artificial intelligence and they have now been exploited by chemical engineers for several decades in countless applications. ANNs are computational tools providing a minimalistic mathematical model of neural functions. Coupled with raw data and a learning algorithm, they can be applied to tasks such as modelling, classification, and prediction. Recently, their popularity has grown remarkably and they now constitute one of the most relevant research areas within the fields of artificial intelligence and machine learning. ANNs are large collections of simple classifiers called neurons. Chemical engineers apply them to model complex relationships, predict reactor performance, and to automate process controllers. ANNs can leverage their ability to learn and exploit large data sets, but they can also get stuck in local minima or overfit and are difficult to reverse engineer. In 2016 and 2017, ANNs were cited in 13 245 Web of Science (WoS) articles, 538 of which were in chemical engineering; the top WoS categories were electrical & electronic engineering (1615 occurrences) artificial intelligence (1253), and energy & fuels (980). The top 4 journals mentioning ANNs were Neural Computing & Applications (117), Neurocomputing (84), Energies (76), and Renewable & Sustainable Energy Reviews (76). In the near future, as larger data sets become available (and arduous to analyze), chemical engineers will be able to apply and leverage more sophisticated ANN architectures.
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 | 0,000 | 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 | 0,000 |
| 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 découle