Explosion pressure and duration prediction using machine learning: A comparative study using classical models with <scp>Adam‐</scp> optimized neural network
Notice bibliographique
Résumé
Abstract The application of machine learning (ML) for the prediction of gas explosion pressure remains limited, and the prediction of the explosion duration is nearly non‐existent. A series of dispersion and subsequent explosion computational fluid dynamics (CFD) simulations were conducted to determine explosion pressure and duration values. These results were used to train classical ML models, that is, support vector regression (SVR), random forest (RF), and decision tree (DT) models. Additionally, a multi‐output Adam‐optimized artificial neural network (ANN) model was employed for performance comparison. All the models demonstrated respectable predictions for both parameters, while the RF model demonstrated the highest performance based on the metrics analyzed, followed by the DT model. The proposed gas volume and gas volume blockage ratio (gas‐VBR) emerged as the most crucial feature for predicting explosion pressure, while the monitoring point and gas‐VBR was the most important feature for explosion duration. It is recommended to consider the gas‐VBR feature in future studies rather than solely focusing on blockage ratio or obstacle location. The model proposed was compared with models from previous studies for predicting explosion pressure. The findings conclusively demonstrate that the multi‐output model outperforms the compared models, offering a notable advantage in its ability to predict both gas explosion pressure and duration.
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 | 0,001 |
| 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 ».