論文の概要: Application of Artificial Neural Networks for Investigation of Pressure Filtration Performance, a Zinc Leaching Filter Cake Moisture Modeling

• arxiv url: http://arxiv.org/abs/2308.06138v1
• Date: Fri, 11 Aug 2023 13:58:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-14 13:55:56.264837
• Title: Application of Artificial Neural Networks for Investigation of Pressure Filtration Performance, a Zinc Leaching Filter Cake Moisture Modeling
• Title（参考訳）: 人工ニューラルネットワークの圧力ろ過性能評価への応用 -亜鉛浸出フィルタの水分モデル-
• Authors: Masoume Kazemi, Davood Moradkhani, Alireza A. Alipour
• Abstract要約: 本研究では,亜鉛製造の圧力濾過過程のケーキ水分を予測するためのANNモデルを開発した。 ANNモデルは、判定係数(R2)、平均平方誤差(MSE)、平均絶対誤差(MAE)で評価された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Machine Learning (ML) is a powerful tool for material science applications. Artificial Neural Network (ANN) is a machine learning technique that can provide high prediction accuracy. This study aimed to develop an ANN model to predict the cake moisture of the pressure filtration process of zinc production. The cake moisture was influenced by seven parameters: temperature (35 and 65 Celsius), solid concentration (0.2 and 0.38 g/L), pH (2, 3.5, and 5), air-blow time (2, 10, and 15 min), cake thickness (14, 20, 26, and 34 mm), pressure, and filtration time. The study conducted 288 tests using two types of fabrics: polypropylene (S1) and polyester (S2). The ANN model was evaluated by the Coefficient of determination (R2), the Mean Square Error (MSE), and the Mean Absolute Error (MAE) metrics for both datasets. The results showed R2 values of 0.88 and 0.83, MSE values of 6.243x10-07 and 1.086x10-06, and MAE values of 0.00056 and 0.00088 for S1 and S2, respectively. These results indicated that the ANN model could predict the cake moisture of pressure filtration in the zinc leaching process with high accuracy.
• Abstract（参考訳）: 機械学習(ML)は物質科学応用のための強力なツールである。 ニューラルネットワーク(Artificial Neural Network, ANN)は、予測精度の高い機械学習技術である。 本研究の目的は,亜鉛製造の圧力濾過過程のケーキ水分を予測するためのannモデルの開発である。 温度 (35, 65 セシウス), 固体濃度 (0.2, 0.38 g/L), pH (2, 3.5, 5), 気中時間 (2, 10, 15 分), ケーキ厚さ (14, 20, 26, 34 mm) , 圧力, 濾過時間 (34mm) の7つのパラメータに影響された。 ポリプロピレン (S1) とポリエステル (S2) の2種類の布を用いて288種類の試験を行った。 annモデルは、決定係数(r2)、平均二乗誤差(mse)、および両データセットの平均絶対誤差(mae)メトリクスを用いて評価された。 その結果, R2値は0.88, 0.83, MSEは6.243x10-07, 1.086x10-06, MAEは0.00056, 0.00088はS1, S2であった。 以上の結果から,ANNモデルでは亜鉛浸出プロセスにおける圧力濾過のケーキ水分を高精度に予測することができた。

関連論文リスト

• Prediction of Final Phosphorus Content of Steel in a Scrap-Based Electric Arc Furnace Using Artificial Neural Networks [3.2789634280286957]
  スクラップをベースとした電気アーク炉プロセスは、将来的には鉄鋼市場のかなりのシェアを獲得することが期待されている。 しかし、不純物、特にリンの管理は依然として課題である。 本研究の目的は, 入力パラメータに基づいて, プロセス終了時のスチールリン含有量を推定する機械学習モデルを開発することである。
  論文  参考訳（メタデータ） (2024-10-25T18:37:44Z)
• Application of Random Forest and Support Vector Machine for Investigation of Pressure Filtration Performance, a Zinc Plant Filter Cake Modeling [0.0]
  本研究では、ランダムフォレスト(RF)と支持ベクトルマシン(SVM)による圧力濾過過程をモデル化する。 その結果,RFRモデルはケーキの水分予測においてSVRモデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-07-26T13:52:53Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Online Non-Destructive Moisture Content Estimation of Filter Media During Drying Using Artificial Neural Networks [95.42181254494287]
  粗いろ過媒体製品の乾燥工程において, 水分量 (MC) の推定が重要である。 人工ニューラルネットワーク(ANN)に基づく手法は、文献で報告されている最先端のMC推定手法と比較する。 実験結果から, ANNとオーブン設定データ, 乾燥時間, 製品温度を組み合わせることで, バルクフィルターメディア製品のMCを確実に推定できることがわかった。
  論文  参考訳（メタデータ） (2023-03-27T19:37:53Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level Prediction Using MLP-ADAM [0.0]
  本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。 この問題には適応モーメント推定アルゴリズムも用いられる。 その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T10:11:45Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
  有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。 本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。 代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
  論文  参考訳（メタデータ） (2020-07-20T06:24:08Z)
• Modelling of daily reference evapotranspiration using deep neural network in different climates [0.0]
  本研究では,毎日のEToを推定するための人工知能ニューラルネットワーク(ANN)とディープニューラルネットワーク(DNN)モデルの性能について検討する。 Aksaray における SeLU アクティベーション関数 (P-DNN-SeLU) を用いた DNN モデルでは, 最高の性能が得られた。
  論文  参考訳（メタデータ） (2020-06-02T16:39:47Z)
• Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
  グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。 MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
  論文  参考訳（メタデータ） (2020-02-26T06:10:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。