view in publisher's site

Determination of bubble sizes in bubble column reactors with machine learning regression methods

Highlights•Two models were developed based on wire mesh sensor measurement data.•A systematic approach for derivation of labels from experimental data is introduced.•Dimensionality reduction is crucial for model accuracy and estimating label impact.•LASSO model performs similarly to conventional approach for bubble size derivation.•Regression tree algorithm reduces prediction error of small bubbles significantly.AbstractIn this study, two machine learning based regression models are developed to predict diameters of single bubbles in a bubble column reactor based on wire-mesh sensor (WMS) measurement. Both Least Absolute Shrinkage and Selection Operator (LASSO) regression and a regression tree algorithm are used to predict bubble diameter with supervised learning techniques. Measurements are carried out in a DN150 column filled with deionized water and air as the continuous phase while WMS passage of single bubbles is investigated. A novel method for definition of different labels characterizing the passing bubble is introduced. Based on the defined labels, Machine Learning regression models are developed to predict bubble sizes. Methods for dimensionality reduction are applied, allowing for an investigation of each labels influence on model prediction quality. Both regression models perform similar or better than well-established approaches to calculate bubble diameter based on WMS measurement. As a highlight, it is shown that bubble diameters even below the sensor’s spatial resolution can be predicted with an accuracy of ±13% using the regression tree model, which is about 1/3 of the conventionally assumed measurement uncertainty at bubble diameters below the sensor’s spatial resolution.

تعیین اندازه حباب‌ها در راکتورهای ستونی حبابی با روش‌های رگرسیون یادگیری ماشین

نکات برجسته * دو مدل براساس داده‌های اندازه‌گیری حسگر توری سیمی توسعه داده شدند. * یک روش سیستماتیک برای استخراج برچسب‌ها از داده‌های تجربی معرفی شده‌است. * کاهش ابعادی برای دقت مدل و برآورد تاثیر برچسب بسیار مهم است. * مدل LASSO مشابه روش مرسوم برای استخراج اندازه حباب عمل می‌کند. * الگوریتم درخت رگرسیون خطای پیش‌بینی حباب‌های کوچک را به طور قابل‌توجهی کاهش می‌دهد. در این مطالعه، دو مدل رگرسیون مبتنی بر یادگیری ماشین برای پیش‌بینی قطر حباب‌های منفرد در یک رآکتور ستونی حبابی براساس اندازه‌گیری سنسور شبکه سیمی (WMS)توسعه‌یافته اند. هر دو رگرسیون LASSO و یک الگوریتم درخت رگرسیون برای پیش‌بینی قطر حباب با تکنیک‌های یادگیری نظارت شده مورد استفاده قرار می‌گیرند. اندازه‌گیری در یک ستون DN۱۵۰ پر شده با آب دیونیزه و هوا به عنوان فاز پیوسته انجام می‌شود در حالی که عبور WMS از حباب‌های منفرد مورد بررسی قرار می‌گیرد. یک روش جدید برای تعریف برچسب‌های مختلف که مشخص‌کننده حباب عبوری هستند، معرفی شده‌است. براساس برچسب‌های تعریف‌شده، مدل‌های رگرسیون یادگیری ماشینی برای پیش‌بینی اندازه حباب‌ها توسعه داده شده‌اند. روش‌هایی برای کاهش ابعاد به کار گرفته شده‌است که امکان بررسی تاثیر هر برچسب بر کیفیت پیش‌بینی مدل را فراهم می‌کند. هر دو مدل رگرسیون روش‌های مشابه یا بهتری را برای محاسبه قطر حباب براساس اندازه‌گیری WMS انجام می‌دهند. به عنوان یک هایلایت، نشان‌داده شده‌است که قطر حباب حتی زیر رزولوشن فضایی سنسور را می توان با دقت ۱۳ % ± با استفاده از مدل درخت رگرسیون پیش‌بینی کرد، که در حدود ۱ / ۳ از عدم قطعیت اندازه‌گیری فرض شده در قطر حباب زیر رزولوشن فضایی سنسور است.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله General Chemical Engineering
  • ترجمه مقاله General Chemical Engineering
  • مقاله مهندسی شیمی عمومی
  • ترجمه مقاله مهندسی شیمی عمومی
  • مقاله General Chemistry
  • ترجمه مقاله General Chemistry
  • مقاله شیمی عمومی
  • ترجمه مقاله شیمی عمومی
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.