Development of a deep neural network and empirical model for predicting local gas holdup profiles in bubble columns
Notice bibliographique
Résumé
Abstract Estimating local gas holdup profiles in bubble columns is key for their performance evaluation and optimization, as well as for design and scale‐up tasks. Up to the current day, there are important limitations in the accuracy and range of applicability of the available models in literature. Two alternatives for the prediction of such local fields can be found in the application of empirical models and the development of deep neural networks (DNN). The main drawback preventing the application of these techniques in previous years was the availability of a large enough databank of local gas holdup experimental measurements. Advances over the last decades in measurement techniques have resulted enough data reported in literature to gather a significative databank for these models' development. A databank containing 1252 experimental points was gathered and used for the development of a quadratic model and a DNN with the rectified linear unit (ReLU) algorithm as the activation function and the adaptive moment estimation (ADAM) algorithm as the optimizer function. The quadratic model and the DNN allowed a highly accurate prediction of the local gas holdup profiles, exhibiting a MSE of 0.0013 and 0.0010, respectively, and an and for the quadratic model and the DNN, respectively. Furthermore, these developed models allowed for the estimation of the single and multi‐feature effects of the operation conditions, geometrical characteristics, and physical properties of the fluids, over the local gas holdup profiles. The two developed models exhibited an enhanced predictive quality when compared with other models 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 | 0,000 | 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 ».