The use of artificial neural network (ANN) in dry flue gas desulphurization modelling: Levenberg–Marquardt (LM) and Bayesian regularization (BR) algorithm comparison
Notice bibliographique
Résumé
Abstract This research project aims to investigate the efficacy of artificial neural networks (ANN) in mapping dry flue gas desulphurization (DFGD). Bayesian regularization (BR) and Levenberg–Marquardt (LM) training algorithms were used for DFGD modelling. The input layer feed data contained diatomite to Ca(OH) 2 ratio, hydration time, hydration temperature, sulphation temperature, and inlet gas concentration, while the output layer metadata were sorbent conversion and sulphation responses. The hyperbolic tangent ( tansig) , sigmoid ( logsig) , and linear ( purelin ) activation functions were compared to ascertain the best network learning model. The number of hidden layer cells also varied between 7 and 10, given the existence of multiple output feed data. BR and LM performance evaluation was based on coefficient of determination ( R 2 ), root mean square error (RMSE), and mean square error (MSE) mathematical analysis. BR was a superlative training tool compared to LM, with lower RMSE and MSE values. The goodness of fit data for both techniques was close to unity, clarifying that ANN using BR and LM tools can be used to predict DGFD outcome. The shrinking core model was used to analyze the desulphurization reaction and concluding the chemical reaction was the reaction controlling step.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».