Prediction of Geometrical Characteristics of an Inclined Negatively Buoyant Jet Using Group Method of Data Handling (GMDH) Neural Network
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
A new approach to predicting the geometrical characteristics of the mixing behavior of an inclined dense jet for angles ranging from 15° to 85° is proposed in this study. This approach is called the group method of data handling (GMDH) and is based on the artificial neural network (ANN) technique. The proposed model was trained and tested using existing experimental data reported in the literature. The model was then evaluated using statistical indices, as well as being compared with analytical models from previous studies. The results of the coefficient of determination (R2) indicate the high accuracy of the proposed model, with values of 0.9719 and 0.9513 for training and testing for the dimensionless distance from the nozzle to the return point xr/D and 0.9454 and 0.9565 for training and testing for the dimensionless terminal rise height yt/D. Moreover, four previous analytical models were used to evaluate the GMDH model. The results showed the superiority of the proposed model in predicting the geometrical characteristics of the inclined dense jet for all tested angles. Finally, the standard error of the estimate (SEE) was applied to demonstrate which model performed the best in terms of approaching the actual data. The results illustrate that all fitting lines of the GMDH model performed very well for all geometrical parameter predictions and it was the best model, with an approximately 10% error, which was the lowest error value among the models. Therefore, this study confirms that the GMDH model can be used to predict the geometrical properties of the inclined negatively buoyant jet with high performance and accuracy.
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 | 0,001 | 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