文献

J-GLOBAL ID：202202285929151005   整理番号：22A0976038

ガス-固体流動層における単分散粒子の表面電荷密度を予測するための機械学習アプローチ【JST・京大機械翻訳】

Machine Learning Approach to Predict the Surface Charge Density of Monodispersed Particles in Gas-Solid Fluidized Beds

著者 (4件)： Lu Junyu (School of Chemical Engineering and Technology, China University of Mining and Technology, China) ,  Lu Junyu (Department of Chemical Engineering, Kyoto University, Japan) ,  Duan Chenlong (School of Chemical Engineering and Technology, China University of Mining and Technology, China) ,  Zhao Yuemin (School of Chemical Engineering and Technology, China University of Mining and Technology, China)
資料名： ACS Omega  (ACS Omega)
巻： 7  号： 11  ページ： 9879-9890  発行年： 2022年 
JST資料番号： W5044A  ISSN： 2470-1343  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 気固流動層は複雑な粒子系であり,流動層における粒子の静電挙動はさらに複雑であり,それは粒子特性と操作条件のような多数の因子によって影響を受ける。現在の研究は,大域的画像なしで粒子帯電に対するある因子の影響に焦点を当てた。さらに,そのような複雑なシステムに対するモデルの構築が難しいので,粒子帯電に関する多重因子の相互作用を記述する数学モデルはない。したがって,新しいアプローチが必要である。本研究では,ある範囲内の単分散気固流動層中の粒子の表面電荷密度を正確に予測できるモデルを,カーネルリッジ回帰(KRR),サポートベクトルマシン回帰(SVR),および多層パーセプトロン(MLP)を含むいくつかの機械学習法を通して,文献と実験データに基づいて開発した。SVRとMLPモデルは,それぞれ0.980と0.979に等しいR2で最良の結果を与えた。しかし,感度解析は,MLPモデルがSVRモデルより信頼性が高いことを示した。結論として,流動層における粒子の帯電挙動を分析するために機械学習を用いることの実現可能性を実証し,提案したMLPモデルは,気固流動層における粒子表面電荷密度の迅速で効果的な推定のための正確な相関ツールとして役立つ。Copyright 2022 American Chemical Society All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 相互作用 ,  帯電 ,  *流動層 ,  信頼性 ,  感度解析 ,  数学モデル ,  多重化 ,  モデル ,  *分散【dispersion】 ,  挙動 ,  多層パーセプトロン ,  *機械学習 ,  サポートベクトルマシン
準シソーラス用語： 操作条件 ,  *単分散 ,  リッジ回帰 , 【Automatic Indexing@JST】

分類 (2件)： 装置内の流れ  (XD01010Y) ,  粉体工学  (XD03010M)

タイトルに関連する用語 (6件)： 固体 ,  流動層 ,  分散粒子 ,  表面電荷密度 ,  予測 ,  機械学習