A novel deep learning approach for investigating liquid fuel injection in combustion system
Notice bibliographique
Résumé
The intricacies and instability of introducing cryogenic propellants into the combustion system have piqued the curiosity of scientists studying the procedure. The latest innovation is utilizing data-driven machine learning and deep learning approaches to gain deeper insights into the related difficulties. However, the current work serves as a baseline for future research because relatively few studies have used data-driven methodologies to assess the temperature of liquid fuel injections in combustion systems. The performance of Linear Regression (LR), Random Forest (RF), Extra Trees Regressor (ETR), Polynomial Regression (PR), Support Vector Regressor (SVR), Decision Tree Regressor (DTR), Gradient Boost Regressor (GBR), XGB Regressor (XGBoost), AdaBoost Regressor (ABR), K-Neighbors Regressor (KNR), Long-Short Term Memory (LSTM), Bi-LSTM (Bi-directional Long-Short Term Memory) has all been investigated in this study. The study also suggested a Fully Connected Neural Network (FCNN) to examine its performance and paired it with an Extra Tree Regressor (ETR). The coupled FCNN and Extra Tree Regressor outperform the other algorithms with a Mean Square Error (MSE) of 0.0000005062, Root Mean Square Error (RMSE) of 0.00071148, Mean Absolute Error (MAE) of 0.00020672, and R-squared (R2) value of 0.99998689. Linear Regression, Polynomial Regression, and Support Vector Regressor are found to be the least-performing algorithms. The current work uses machine learning and deep learning methods to make data-driven decisions for liquid fuel injection in the combustion system.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».