Sharif Digital Repository / Sharif University of Technology
    • [Zoom In]
    • [Zoom Out]
  • Page 
    		 of  0
  • [Previous Page]
  • [Next Page]
  • [Fullscreen view]
  • [Close]
 
بررسی آستانه سیالیت ذرات زیست توده و پیش‌بینی آن با رویکردهای آماری و یادگیری ماشین
آخوندی، امیر حسین Akhoondi, Amir Hossein

Cataloging brief

بررسی آستانه سیالیت ذرات زیست توده و پیش‌بینی آن با رویکردهای آماری و یادگیری ماشین
پدیدآور اصلی :   آخوندی، امیر حسین Akhoondi, Amir Hossein
ناشر :   صنعتی شریف
سال انتشار  :   1404
موضوع ها :   حداقل سرعت سیال سازی Minimum Fluidization Velocity یادگیری ماشینی Machine Learning رابطه...
شماره راهنما :   ‭06-58820

Find in content

sort by

Bookmark

  • 1 ‌مقدمه (13)
    • 1.1 انگیزه پژوهش (21)
    • 2.1 تعریف مسئله (22)
    • 3.1 محتوای پایان‌نامه (22)
  • 2 پیشینه پژوهش (23)
    • 1.2 سیال‌سازی زیست‌توده (23)
    • 2.2 پیش‌بینی حداقل سرعت سیال‌سازی (Umf) (24)
    • 3.2 تخمین ضریب تخلخل (26)
    • 4.2 یادگیری ماشین (28)
  • 3 روش تحقیق (32)
    • 1.3 مدل‌های یادگیری ماشین (32)
      • 1.1.3 رگرسیون خطی (34)
      • 2.1.3 رگرسیون ریج (34)
      • 3.1.3 رگرسیون بردار پشتیبان (SVR) (35)
      • 4.1.3 درخت‌های تصمیم (36)
      • 5.1.3 جنگل تصادفی (37)
      • 6.1.3 XGBoost (38)
    • 2.3 معیارهای ارزیابی (39)
      • 1.2.3 آموزش و ارزیابی مدل (39)
    • 3.3 روابط تجربی (40)
      • 1.3.3 روابط دسته 1 (42)
        • 1.1.3.3 رابطه رینکن و همکاران (42)
        • 2.1.3.3 چانگ و همکاران (43)
        • 3.1.3.3 رابطه چیبا و همکاران (43)
        • 4.1.3.3 رابطه فو و همکاران (45)
      • 2.3.3 روابط دسته 2 (45)
        • 1.2.3.3 رابطه سی و گو (45)
        • 2.2.3.3 رابطه رینا و همکاران (46)
        • 3.2.3.3 رابطه موراد و همکاران (47)
        • 4.2.3.3 رابطه پادل و فنگ (47)
        • 5.2.3.3 رابطه گوسنس و همکاران (48)
        • 6.2.3.3 رابطه کومار و گوپتا (49)
        • 7.2.3.3 رابطه تانگلیمپ و همکاران (49)
    • 4.3 اساس کار برای تدوین رابطه جامع (50)
      • 1.4.3 مدل آگو و همکاران برای پیش‌بینی ضریب تخلخل (50)
      • 2.4.3 مدل : PSMb تحلیل جداسازی ذرات (53)
  • 4 بحث و نتایج (56)
    • 1.4 مدل های یادگیری ماشین (توصیف مدل‌ها، هایپرپارامترها و نتایج) (56)
      • 1.1.4 رگرسیون خطی (56)
      • 2.1.4 رگرسیون ریج (56)
      • 3.1.4 رگرسیون بردار پشتیبان (SVR) (57)
      • 4.1.4 نزدیک‌ترین همسایه (KNN) (58)
      • 5.1.4 جنگل تصادفی (RF) (58)
      • 6.1.4 XGBoost (59)
      • 7.1.4 درخت تصمیم (60)
    • 2.4 دسته بندی روابط و انتخاب رابطه متناسب با ویژگی‌های بستر (63)
    • 3.4 بررسی و ارزیابی روابط تجربی پیش‌بینی حداقل سرعت سیالیت (69)
    • 4.4 پیشنهاد رابطه جدید برای پیش‌بینی ضریب تخلخل با استفاده از رویکرد آگو و همکاران (78)
      • 1.4.4 رابطه نهایی (78)
        • 1.1.4.4 بهینه‌سازی β (78)
        • 2.1.4.4 بهینه‌سازی معادله‌ی β (80)
    • 5.4 توسعۀ رابطۀ هیبریدی برای پارامتر برهمکنش β (80)
      • 1.5.4 رژیم جداسازی ناشی از اختلاف اندازه (82)
      • 2.5.4 رژیم کاملاً مخلوط (82)
      • 3.5.4 رژیم جداسازی ناشی از اختلاف چگالی (83)
      • 4.5.4 مقایسه و ارزیابی (83)
  • 5 نتیجه‌گیری (87)
  • منابع و مراجع (91)
Loading...