Comparison between response surface methodology and artificial neural network: Application in three‐product hydrocyclones
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 Modelling a process or equipment is a profitable strategy to build better control strategies, predict fault conditions, and optimize the processes. Different approaches could be explored to achieve the development of better models. This paper investigates the use of experimental data generated by a central composite rotatable design (CCRD) to develop models capable of predicting the performance of a three‐product hydrocyclone for several setups with different dimensional parameters values. Two different modelling strategies are explored: response surface methodology (RSM) and artificial neural networks (ANN). With the RSM models, it was possible to evaluate the statistical importance of the input variables to each output variable. The ANN models showed improved coefficients of determinations ( R 2 ) compared to the RSM models, presenting values higher than 97% for all cases, while the RSM models ranged from 79.07%–88.83%. The ANN was demonstrated to be the most effective method to model the physical problem of three‐product hydrocyclones, and it captured its non‐linearities. It was shown that the combination of the design of experiments and ANN to analyze this physical problem is successful and may also be applied to other problems. As far as we have knowledge, a work regarding the comparison of both RSM and ANN methods applied to three‐product hydrocyclones was not found in the literature; this absence was the motivation for this work.
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 | 0,001 | 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