Process operation performance assessment of electro‐fused magnesium furnace based on deep auto‐encoder transfer generative adversarial network
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 The process operation performance assessment (POPA) of the smelting process of electro‐fused magnesium furnaces (EFMFs) plays a very important role for improving production quality and pursuing the highest economic benefit. Most of the existing methods are based on the assumption of abundant labelled training samples. However, the lack of samples for the POPA is a challenging problem in the smelting process of EFMFs. Traditional methods for POPA make it difficult to obtain satisfactory results under small samples. A new deep auto‐encoder transfer generative adversarial network (DAETGAN) based on source domain data is proposed to improve the performance of POPA with small samples in EFMF smelting process. Firstly, a general transfer framework is proposed, in which the data of source domain is used as input to generate adversarial network (GAN), and a large number of images, sound, and current samples are generated with the same distribution as the data of target domain so as to improve the transfer learning effect. Secondly, a POPA model is proposed with the multi‐source heterogeneous information generated by DAETGAN and the original multi‐source heterogeneous information in target domain. Finally, it is verified by experiments that the DAETGAN model can generate data with the same distribution as the original data, and the accuracy of the assessment of operational performance is effectively improved.
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 | 0,001 |
| 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