Maximum solid concentrations of coal wastewater slurries predicted by optimized neural network based on wastewater composition data
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
Abstract A variety of wastewaters can be generated in the coal chemical industry, and their treatment processes are complicated and have difficulty meeting standards. Using wastewater to prepare coal water slurry is an efficient and convenient new approach. The concentration of coal wastewater slurry is related to the content of the main wastewater components. A backpropagation neural network is developed to predict the maximum slurry concentration and analyze the mechanism at the data level according to the main component indicators, and a particle swarm algorithm is used to improve the neural network. The results are as follows: (a) it is feasible to predict the maximum concentration of coal wastewater slurry by a neural network, and a particle swarm algorithm can effectively improve the prediction accuracy in different models, reducing mean absolute error by up to 0.44%; (b) different input factors have different impacts on model prediction results—organic matter, ammonia nitrogen, and monovalent metal ions content as input factors to predict the maximum slurry concentration can get the most accurate results, obtaining a mean absolute error of 0.16% for the optimized backpropagation neural network and the lowest mean square error; and (c) divalent metal ions and phenols content are not suitable as input factors for predicting, as they all cause an increase in model error due to their weak or complex effects on the slurryability.
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