DT-MNLR: a novel hybrid machine learning framework for precise coke strength and reactivity prediction
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
Accurately predicting coke strength after reaction (CSR) and coke reactivity index (CRI) is important for optimising coke quality in metallurgical industry, thereby minimising production costs and maximising resource utilisation. This study introduces a novel machine-learning model, the decision tree multi-output non-linear regression (DT-MNLR) model, for accurately predicting both CSR and CRI. The DT-MNLR model leverages the strengths of multiple algorithms: decision trees for efficient coal blend classification, multi-output regression for handling the interrelated nature of CSR and CRI, and a backpropagation neural network for capturing complex non-linear relationships within the data. Recognising the intricate interactions among coal properties that significantly impact coke quality, the model incorporates high-level polynomial features and additional coal property variables, enhancing its predictive accuracy. Rigorous validation using diverse testing samples demonstrates the DT-MNLR model's superior performance across a wide range of CSR and CRI values. Comparative analysis against other machine-learning methods showcases the DT-MNLR model's advantages, including lower prediction errors, improved generalisation to unseen data and enhanced robustness in handling outliers. This research significantly advances the field of coke quality prediction by establishing the DT-MNLR model as a powerful tool for coal blend analysis and quality control. The model's effectiveness paves the way for significant advancements in intelligent systems for industrial applications, promoting optimal resource utilisation and process efficiency.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 découle