A note on the improvement of Artificial Neural Network models for detonation cell size and critical tube diameter prediction
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
In this note we present strategies to improve a deep Artificial Neural Network (ANN) to predict the dynamic parameters of gaseous detonations in hydrogen- and other hydrocarbon-based mixtures. These new strategies involve using only non-dimensional features for the model, which have been created using thermochemical and chemical kinetic parameters from the steady reaction zone structure commonly used in detonation studies, as well as a non-dimensional target, obtained by dividing the experimental cell size with the induction length Δ I . In addition, the ANN model's structure has been supplemented with dropout layers, thus improving the training process and also leading to a better determination of the model's uncertainty. Apart from predicting the detonation cell size, this updated model creation approach is implemented to the critical tube problem, combining thermochemical and kinetic parameters with experimental data to create an accurate model that predicts the critical tube diameter D C . The optimal structure and combination of features for the ANN are thoroughly assessed. The source codes of the ANN models are readily available on GitHub. • Prediction of detonation dynamic parameters in different gas mixtures based on ANN. • Improvement on the ANN formulation using non-dimensional input features. • The dropout technique is implemented to assess the uncertainty of the prediction. • A series of ANN- λ and ANN- D c models are built and tested for accuracy.
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