Detonation Cell Size Prediction Using Artificial Neural Networks (ANNs) for Hydrogen/Hydrocarbon/Ammonia/Nitrous Oxide Mixtures
Notice bibliographique
Résumé
In this work, a previously developed three-feature Artificial Neural Network (ANN) model with dimensional inputs is directly applied to predict the cell size of hydrocarbon/ammonia/nitrous oxide mixtures and compare these to experimental data. This model uses as inputs three ZND parameters (MCJ, ΔI, and σ˙max), which are mainly calculated using Konnov’s and Mével’s mechanisms. A similar prediction is obtained with the two mechanisms for the biogas–O2, H2–O2, H2–N2O, and NH3–O2 mixtures, indicating that the model is not only limited to Konnov’s chemical kinetic mechanism which was used for its training. The overall good agreement between the ANN predictions and the actual experimental values for the aforementioned mixtures, which are not used in the original training of the ANN model, is promising and shows its potential for application and extension to other mixtures and initial conditions, provided that the chemical kinetic parameters describing the ideal reaction zone structure could be computed. The model is then used to compare experimental cell size data from two detonation tube facilities, and also different chemical kinetic mechanisms for NH3-N2O mixtures. In the end, the original ANN model is expanded with the inclusion of additional cell size data, showing a slightly lower mean error for the predicted cell sizes if the data for the mixtures considered in this study are taken into account for the training of the new ANN model.
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 ».