Flow regime identification in aerated stirred vessel using passive acoustic emission and machine learning
Notice bibliographique
Résumé
Abstract Smart at‐ or online process sensors, which employ machine learning (ML) to process data, have been the subject of extensive research in recent years, due to their potential for real‐time process control. In this paper, a passive acoustic emission process sensor has been used to detect gas–liquid regimes within a stirred, aerated vessel using novel ML approaches. Pressure fluctuations (acoustic emissions) in an air‐water system were recorded using a piezoelectric sensor installed on the external wall of three identical cylindrical tanks of diameter, T = 160 mm, filled to a volume of 5 L (height, H = 1.5 T ). The tanks were made of either glass, steel, or aluminium, and each tank was equipped with a Rushton turbine of diameter, D = 0.35 T . The investigated flow regimes, flooding, loading, complete dispersion, and un‐gassed, were obtained by changing the air feed flow rates and by varying the impeller speed. The acoustic spectra obtained were processed to select an optimal number of features characterizing each of the regimes, and these were used to train three different ML algorithms. The pre‐processing includes a principal component analysis (PCA) step, which reduces the volume of data fed to the ML algorithms, saving computational time up to a factor of 5. The algorithms (decision tree, k‐nearest neighbour, and support vector machines) were challenged to use these features to identify the correct flow regime. Accurate predictions of the three gas–liquid regimes of interest have been achieved. The accuracy of the prediction ranges from 90% to 99%, and this difference is related to the material used for the vessel.
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 | 0,000 | 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 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 ».