Reaksiyon sonrası kok mukavemetini (CSR) etkiliyen faktörler ve CSR’yi tahmin etmek için istatistiksel model geliştirilmesi.
Notice bibliographique
Résumé
This study was aimed at investigating the coke strength after reaction (CSR) prediction before coke production by regression modelling. Initially, quality parameters of studied coals, namely Australian, American and Canadian coals, were categorized to understand fluctuation in the parameters. Parameters studied consist of proximate analysis, physical properties, rheological properties, ash chemistry, petrographical analysis and coke quality parameters of the coals. After understanding remarkable difference in coal quality parameters relative to origin, regression analysis was performed for the coals under study. Highly correlated parameters were detected by correlation analysis, performed via Excel and Minitab, considering both Pearson Correlation Coefficient and p - values. Devore states that two variables show strong relationship when correlation coefficient of them is above 0.8. Absolute values of correlation coefficients above 0.8 evaluated as highly correlated. Absolute values of correlation coefficients between 0.6 and 0.8 and p – values below 0.05 also evaluated as highly correlated. Then, best subset analysis was carried out by Minitab to indicate best alternative regression model. Decision of which parameters are included into model was given by evaluating R – square, R – square (adj) and R – square (pred) of best subset analysis model alternatives. For studied Australian, American and Canadian coals, CSR prediction models were developed individually. Categorization and origin base CSR prediction model development studies created the base of CSR prediction model for coal blends. Precision of the models controlled by mean hypothesis and whether residues of model are equal to zero or not was checked. 1 – sample t test, 2 – sample t test and one-way ANOVA test were used for mean hypothesis. In addition, Origin base CSR prediction models were comprised with formulas retrieved from literature. At the end of study, CSR prediction models were developed with 96.5 %, 93.41 %, 86.21 % and 80.99 % R – square for Australian, American, Canadian coals and coal blends respectively.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».