...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>International journal of general systems >Single-phase fluid flow classification via learning models
【24h】

Single-phase fluid flow classification via learning models

机译：通过学习模型对单相流体流进行分类

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This paper applies learning models, such as support vector machines (SVM), neural networks, and mixed-integer programming kernel classifiers (MIPKC) to classify the flow pattern of a non-Newtonian fluid in an annulus/pipe. Classification of flow patterns is characterized by six attributes that represent the parameters that determine the fluid flow in the annulus/pipe. The SVM and MIPKC learning models construct a separating hyperplane in the feature space. The weights of the hyperplane represent a scaled level of importance for each of the parameters. Preliminary results show that the most efficient model with respect to computation time favours the SVM model with a polynomial kernel of degree 2. However, with respect to low error rates and sparseness of solution, one of the MIPKC models with a polynomial kernel of degree 2 outperforms the other methods.
机译：本文应用支持向量机（SVM），神经网络和混合整数编程内核分类器（MIPKC）等学习模型对非牛顿流体在环/管中的流动模式进行分类。流型分类的特征是六个属性，这些属性代表确定环空/管道中流体流动的参数。 SVM和MIPKC学习模型在特征空间中构造了一个分离的超平面。超平面的权重代表每个参数的重要等级。初步结果表明，就计算时间而言，最有效的模型偏向于具有2级多项式核的SVM模型。但是，对于低错误率和稀疏度的解决方案，MIPKC模型之一具有2级多项式核胜过其他方法。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号