Comparative Study of PSO, GA, and ACO for Optimizing Dielectric Performance in Fly Ash Filled Silicone Rubber
Notice bibliographique
Résumé
This study investigates the optimization of coal fly ash composition as a filler in Silicone Rubber (SiR) insulator materials, aiming to enhance their dielectric characteristics. Compositional optimization was achieved by evaluating and comparing three advanced meta-heuristic algorithms Particle Swarm Optimization (PSO), Genetic Algorithm (GA), and Ant Colony Optimization (ACO), using the Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE) as performance metrics. The utilized fly ash, containing dominant silica, alumina, and iron oxides, was directly incorporated into the SiR matrix. Results indicate that, compared to PSO, GA and ACO exhibited superior performance and consistency. Specifically, for Relative Permittivity, the optimal composition of 80% yielded the lowest errors with GA and ACO (RMSE = 0.0751; MAPE = 0.9044). For Hydrophobicity, these two algorithms showed superior accuracy in the RMSE metric (RMSE = 0.8883) at 15.39% loading. These findings underscore the scientific contribution of this study by establishing the superior reliability of GA and ACO for optimizing fly ash composition in SiR, thus providing a robust analytical methodology to advance the use of industrial waste for high-performance dielectric materials.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».