Machine learning modelling and evaluation of jet fires from natural gas processing, storage, and transport
Notice bibliographique
Résumé
Abstract Jet fires and their repercussions play a significant role in catastrophic incidents that typically have a cascading impact in process industries. Several hydrocarbon experiments from 19 papers were incorporated into the current endeavour to develop simulations of jet flames using machine learning (ML) models. Dimensionless characteristics have been used as output and input variables, including mass flow rates, fuel density, jet flame length, and heat release fluxes. When training three layers of the multi‐layer feedforward neural network (MLFFNN) method, a Bayesian regularization backpropagation approach was adopted and evaluated with the radial based functions (RBF) algorithm. Through an optimization procedure, the first and second hidden layers of the MLFFNN have been optimized to include 10 and five neurons, respectively. The RBF algorithm with 40 neurons in a single layer has been computed using the same method. The best mean square error (MSE) validation results for RBF and MLFFNN were 0.006 and 0.0002, respectively, for 40 and 100 epochs. The MLFFNN and RBF models' respective regression statistical analysis outputs were 0.9949 and 0.9645. The ML method has been identified as a potentially useful technique for precisely predicting the geometrical and radiative characteristics of jet flames.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».