Prediction of viscosity of blast furnace slag based on NRBO-DNN model
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
The viscosity of blast furnace slag significantly impacts operations, slag discharge, and heat recovery. However, accurately measuring or calculating viscosity is challenging due to the complex composition, interactions among variables, and experimental difficulties at high temperatures. To address this issue, a prediction model was developed based on slag composition. Data preprocessing included isolation forest outlier detection, missing data imputation, normalization, and Generative Adversarial Network (GAN)-based data augmentation, ensuring high-quality data. Among traditional neural network models, the Deep Neural Network (DNN) demonstrated the best accuracy. Optimizing the DNN with an intelligent swarm algorithm resulted in the NRBO-DNN model, which achieved MAE, MSE, RMSE, and R² values of 0.04050, 0.00305, 0.05527, and 0.97599, respectively. Compared to the unoptimized DNN, MAE, MSE, and RMSE decreased by 53.86 %, 50.30 %, and 29.50 %, while R² improved by 8.11 %. Tests on 100 datasets confirmed the NRBO-DNN’s superior accuracy, with an average error of 4.30 %. This study provides theoretical support and practical guidance for optimizing blast furnace operations.
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 | 0,000 |
| 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 découle