Bubble Detection in Gas–Solid Separation Fluidized Beds Based on Deep Learning
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide In dry coal beneficiation with gas–solid fluidized beds, bubble dynamics critically affects fluidization stability and separation efficiency. This study proposed an improved YOLOv8-based bubble detection model to achieve accurate and real-time bubble monitoring. The model integrates a Multi-Head Self-Attention (MHSA) mechanism to enhance global feature extraction, a multiscale feature fusion structure (BiFPN-CONCAT) to achieve efficient feature integration, and an Involution-based Decoupled Head to improve detection precision while reducing computational complexity. Experimental validation demonstrated that the proposed model achieved superior detection performance, with precision, recall, and [email protected] being 99.1, 96.0, and 95.5, respectively, outperforming the YOLO series and mainstream detectors such as Faster R-CNN and Mask R-CNN. Moreover, as was revealed through the analysis of 120 experimental data sets, average bubble area was strongly negatively correlated with ash content ( r = − 0.72 ), while bubble number was positively correlated with clean coal yield ( r = + 0.90 ) . A regression model based on bubble features achieved a coefficient of determination of R 2 = 0.89, confirming their predictive value for separation performance. These findings demonstrate that the proposed model not only ensures high-precision bubble detection but also provides new insights into the coupling between fluidization dynamics and the beneficiation efficiency. This study offers theoretical and technical support for intelligent dry coal separation systems.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».