Analyzing Power Consumption in a Coaxial Bioreactor Using Machine Learning Techniques with Computational Fluid Dynamics
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
Agitated bioreactors are the subject of many studies regarding their design and scale-up to enhance the productivity in various chemical and biochemical industries. In this regard, accurately predicting their power consumption is very important, because it influences the mass transfer rate and flow uniformity inside the bioreactor. A literature review revealed that no study has been conducted to investigate the performance of coaxial bioreactors in terms of their power consumption using a machine learning method. In this study, a computational fluid dynamics (CFD) model was developed and validated against experimental data. Subsequently, 500 simulations at different aeration rates (2–6 L/min), anchor impeller speeds (3.5–9.5 rpm), central impeller speeds (60–150 rpm), and rotating modes (co-rotating and counter-rotating) were conducted. The data from these simulations were utilized to train and test various machine learning models. Initially, the k-nearest neighbor (KNN) classification model was employed to categorize the coaxial bioreactors into different rotating modes. It was found that with just the torque value and central impeller speed, the model achieved successful classification. In addition, various regression models, including multi-layer perceptron (MLP), KNN, and random forest, were developed to predict the torque that would be produced by the coaxial bioreactor. For all models, the hyperparameter tuning and cross-validations were performed. The mean squared error (MSE) evaluation showed that the random forest model had superior performance compared to its counterparts.
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 | 0,000 | 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