Comparative Predictive Analysis through Machine Learning in Solar Cooking Technology
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
Renewable energy technology has helped solve global environmental issues in recent years. Solar cooking technology is a sustainable alternative to conventional cooking, particularly in regions with ample sunlight. Although there is a growing interest into solar cooking, however, there is a lack of comprehensive comparison research upon the machine learning models predictive accuracy. Prior studies frequently concentrate upon individual models or fail to conduct comprehensive comparative analyses, resulting in a knowledge deficit regarding the most effective predictive methodologies for solar cooking technology. This research article compares solar cooking with special types of cooking utensils used for indoor cooking by predictive analysis of different kinds of machine learning models. To achieve proper cooking, the temperature of both pan and pot is to be monitored constantly. For this, a machine learning (ML) system model was constructed for predicting pan and pot temperature as a response parameter. By leveraging datasets encompassing time duration of the cooking, mass flow rate of heat transfer fluid, type of heat transfer fluid, and global solar radiations, a range of machine learning algorithms, including decision tree regressor, linear regression, extreme gradient boosting, and random forest regressor algorithms, are employed for predicting pan and pot temperature of solar cookers. Extreme gradient boosting is the best machine learning model for solar utensil temperature, with maximum R2 and minimum mean squared error, mean absolute error, and root mean squared error values that perfectly predict all answers. Also, extreme gradient boosting predicts well on training and testing datasets, whereas Random forest predicts well on training datasets but poorly on test data, causing overfitting. This research shows that machine learning could revolutionize solar cooking technology, promising a future for renewable energy and sustainable living.
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 | 0,001 |
| 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