Innovative mathematical correlations for estimating mono-nanofluids' density: Insights from white-box machine learning
Notice bibliographique
Résumé
• The current study proposes innovative mathematical correlations for estimating the density of mono-nanofluids. • An extensive and comprehensive data bank comprising 4004 experimental data-points was employed to guarantee the robustness and applicability of the derived correlations. • Two rigorous machine-learning techniques, namely Group Method of Data Handling (GMDH) and Gene Expression Programming (GEP), were used to develop correlations. • The GEP-based correlation was highlighted as the most accurate model, with AAPRE=0.6614% and R 2 =0.9671. • The key findings and implications of this study can significantly advance the applied fields of thermal engineering. The current research offers credible mathematical models solely for estimating mono-nanofluids' density ( ρ nf ), which can be useful for thermal engineering calculations required by various industries and applications. Accordingly, a comprehensive data bank encompassing 4004 experimental data-points was utilized to execute two rigorous machine-learning techniques: Group Method of Data Handling (GMDH) and Gene Expression Programming (GEP). Subsequently, two high-accuracy correlations were fine-tuned based on the four independent variables: average nanoparticle diameter ( d np ), nanoparticle mass concentration ( ϕ m ), nanoparticle density ( ρ np ), and base-fluid density ( ρ bf ). Two variables pressure ( P ) and temperature ( T ), with rather minor impacts on the density of the mono-nanofluids under investigation, were excluded in the final correlations as a result of the modeling process and the intelligent operation of the machine-learning techniques. By performing multiple statistical and graphical analyses, comparative evaluations highlighted the superior performance and outstanding accuracy of the GEP-based correlation (with AAPRE=0.6614% and R 2 =0.9671). Moreover, sensitivity analysis and parametric trend assessments revealed that ϕ m and ρ bf were the most crucial variables affecting ρ nf values, with relevancy factors of approximately 0.72 and 0.71, respectively. By considering the GEP-based correlation's outputs and applying the leverage statistical approach, a considerable portion (96.33%) of the total data-points was identified as valid data.
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 | 0,008 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».