Mathematical modeling and machine learning-based optimization for enhancing biofiltration efficiency of volatile organic compounds
Notice bibliographique
Résumé
Abstract Biofiltration is a method of pollution management that utilizes a bioreactor containing live material to absorb and destroy pollutants biologically. In this paper, we investigate mathematical models of biofiltration for mixing volatile organic compounds (VOCs) for instance hydrophilic (methanol) and hydrophobic ( $$\alpha$$ <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:mi>α</mml:mi> </mml:math> -pinene). The system of nonlinear diffusion equations describes the Michaelis-Menten kinetics of the enzymic chemical reaction. These models represent the chemical oxidation in the gas phase and mass transmission within the air-biofilm junction. Furthermore, for the numerical study of the saturation of $$\alpha$$ <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:mi>α</mml:mi> </mml:math> -pinene and methanol in the biofilm and gas state, we have developed an efficient supervised machine learning algorithm based on the architecture of Elman neural networks (ENN). Moreover, the Levenberg-Marquardt (LM) optimization paradigm is used to find the parameters/ neurons involved in the ENN architecture. The approximation to a solutions found by the ENN-LM technique for methanol saturation and $$\alpha$$ <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:mi>α</mml:mi> </mml:math> -pinene under variations in different physical parameters are allegorized with the numerical results computed by state-of-the-art techniques. The graphical and statistical illustration of indications of performance relative to the terms of absolute errors, mean absolute deviations, computational complexity, and mean square error validates that our results perfectly describe the real-life situation and can further be used for problems arising in chemical engineering.
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 | 0,001 |
| 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 | 0,000 | 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 ».