Weighted Kernel Fuzzy C-Means-Based Broad Learning Model for Time-Series Prediction of Carbon Efficiency in Iron Ore Sintering Process
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
A key energy consumption in steel metallurgy comes from an iron ore sintering process. Enhancing carbon utilization in this process is important for green manufacturing and energy saving and its prerequisite is a time-series prediction of carbon efficiency. The existing carbon efficiency models usually have a complex structure, leading to a time-consuming training process. In addition, a complete retraining process will be encountered if the models are inaccurate or data change. Analyzing the complex characteristics of the sintering process, we develop an original prediction framework, that is, a weighted kernel-based fuzzy C-means (WKFCM)-based broad learning model (BLM), to achieve fast and effective carbon efficiency modeling. First, sintering parameters affecting carbon efficiency are determined, following the sintering process mechanism. Next, WKFCM clustering is first presented for the identification of multiple operating conditions to better reflect the system dynamics of this process. Then, the BLM is built under each operating condition. Finally, a nearest neighbor criterion is used to determine which BLM is invoked for the time-series prediction of carbon efficiency. Experimental results using actual run data exhibit that, compared with other prediction models, the developed model can more accurately and efficiently achieve the time-series prediction of carbon efficiency. Furthermore, the developed model can also be used for the efficient and effective modeling of other industrial processes due to its flexible structure.
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 | 0,000 |
| 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