Development of new correlation for the prediction of power number for closed clearance impellers using machine learning methods trained on literature data
Notice bibliographique
Résumé
Abstract The accurate estimation of the power number for closed clearance impellers holds significant importance in industries such as chemical, biochemical, paper and pulp, as well as paints, pigments, and polymers. Existing state‐of‐the‐art correlations for predicting power numbers, however, are inaccurate for impeller Reynolds number . In this study, we compiled a dataset of 1470 data points from 15 research articles in the open literature, covering five types of impellers: (i) anchor; (ii) gate; (iii) single helical ribbon; (iv) double helical ribbon; and (v) helical ribbon with screw. Six machine learning models, namely artificial neural networks (ANN), CatBoost regressor, extra tree regressor, support vector regressor, random forest, and XGBoost regressor, were developed and compared. The results revealed that ANN emerged as the most efficient model, demonstrating the highest testing R 2 value of 0.99 and the lowest testing MAPE of 7.3%. Further, we used the ANN model to develop a novel set of process correlations to estimate impeller power numbers for the industrially important anchor and double helical ribbon impellers: which significantly outperform the existing state‐of‐the‐art correlations available in literature.
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 | 0,001 | 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 ».