Intelligent Proximate Analysis of Coal Based on Near-Infrared Spectroscopy and Multioutput Deep Learning
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
Proximate analysis of coal indicates the moisture, ash, volatile content, and calorific value, which has been widely utilized as the basis for coal characterization. It involves heating the coal under various conditions until a constant weight is obtained. Although it is a relatively simple process that does not require expensive analytical equipment, determining these characteristics is time consuming. An alternative way for proximate analysis is spectral analysis in combination with various machine learning methods. However, most previous works analyze individual characteristics and fail to explore the relationship among them. In this study, we propose a method for proximate analysis based on near-infrared spectroscopy and a multioutput attention Unet (MOA-Unet), which can predict multiple characteristics simultaneously. First, an attention-based Unet is designed as the shared feature extraction subnetwork, including an encoder, a decoder, convolutional block attention modules, and multiscale feature fusion modules, which can improve the representation power of the U-shape network through aggregating features of shallower layers and concatenating features of deeper layers. Second, four individual subnetworks with fully connected layers, designed for four outputs, are utilized for regressing those four characteristics. We employ the gradient normalization algorithm to alleviate the gradient magnitude masking effect caused by training imbalance among different tasks. The proposed MOA-Unet is compared with classical chemometric methods on 670 coal samples from on-site test. The experimental results demonstrate that the proposed model achieves state-of-the-art performance with correlation coefficients of 0.9015, 0.9538, 0.8986, and 0.8884, corresponding to moisture, ash, volatile content, and calorific value, respectively.
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 | 0,001 | 0,002 |
| 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