Artificial Neural Networks (ANNs) for Vapour-Liquid-Liquid Equilibrium (VLLE) Predictions in N-Octane/Water Blends
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
Blends of bitumen, clay, and quartz in water are obtained from the surface mining of the Athabasca Oil Sands. To facilitate its transportation through pipelines, this mixture is usually diluted with locally produced naphtha. As a result of this, naphtha has to be recovered later, in a naphtha recovery unit (NRU). The NRU process is a complex one and requires the knowledge of Vapour-Liquid-Liquid Equilibrium (VLLE) thermodynamics. The present study uses experimental data, obtained in a CREC-VL-Cell, and Artificial Intelligence (AI) for vapour-liquid-liquid equilibrium (VLLE) calculations. The proposed Artificial Neural Networks (ANNs) do not require prior knowledge of the number of vapour-liquid phases. These ANNs involve hyperparameters that are used to obtain the best ANN model architecture. To accomplish this, this study considers (a) R2 Coefficients of Determination and (b) ANN training requirements to avoid data underfitting and overfitting. Results demonstrate that temperature has a major influence on ANN vapour pressure predictions, while the concentration of octane, the naphtha surrogate having, in contrast, a lesser effect. Furthermore, the ANN data obtained allows the calculation of octane-in-water and water-in-octane maximum solubilities.
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 | 0,001 |
| 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 découle