PARAMETER OPTIMIZATION OF WHOLE-STRAW RETURNING DEVICE BASED ON THE BP NEURAL 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 To solve the poor fitting degree of errors in multiobjective parameter optimization and low accuracy, a multiobjective optimization method based on a BP neural network was proposed. By taking the 1ZT-210 type whole-straw returning device as the research object, a BP neural network model on power consumption, straw returning rate and the influencing factors was obtained. By optimizing the model by the proposed method, the optimal parameter combination of the test factors was as follows: the advancing speed of the device was 0.65 km/h, the blade roll rotating speed was 210 rpm, the blade installation angle was 55o, the minimum power consumption was 9.82 kW and the maximum straw returning rate was 93.23%. Under such test conditions, the minimum power consumption was 10.75 kW, and the straw returning rate was 92.46%, which were all better than those obtained by the regression analysis method. Finally, a verification test was conducted on the results of BP neural network optimization. The power consumption of the test was 10.04 kW, the absolute error was 0.22 kW and the relative error was 2.24%. For a straw returning rate of 93.11%, the absolute error was -0.12% and the relative error was 0.13%. The test results indicated that the optimization method was feasible.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,218 | 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