Developing the machine learning models to estimate thermodynamic and transport properties of refrigerants
Notice bibliographique
Résumé
The thermophysical properties of refrigerating systems should be accurately understood for designing low-temperature refrigeration cycles of economic acceptance. The thermal conductivity, density, velocity of sound, entropy, and enthalpy of various refrigerating systems from four differing classes, namely halocarbon, inorganic, hydrocarbon, and cryogenic fluids, were investigated here by the use of Multivariate Nonlinear Regression (MNR), Genetic Programming (GP), and Particle Swarm Optimization-Adaptive Neuro-Fuzzy Inference System (PSO-ANFIS). The development of a new and simple correlation was for the first time introduced to estimate saturated thermodynamic and transport properties of refrigerants without having in-depth knowledge on complicated parameters. Our research demonstrates that the PSO-ANFIS model is representative of an outstanding alternate for estimating the thermodynamic and transport properties of various refrigerating systems with a proper precision because Absolute Average Relative Errors (%AARD) for liqid and vapor thermal conductivity, liquid density, velocity of sound, entropy, and enthalpy were estimated as 3.0651, 7.9934, 1.0681, 1.2155, 1.8603, and 2.4835. This model is generally capable of estimating the thermodynamic and transport properties of various refrigerants with a superior accordance with data obtained experimentally.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».