基于机器学习的预测和SHAP灵敏度分析,用于在富含气的气体混合物中的声速
Mohammad Rasool Dehghani1, Ali Akbari2, Mehdi Maleki2
1Department of Petroleum Engineering, Shahid Bahonar University of Kerman, Kerman, Iran. mrd3hghani@gmail.com.
机器学习准确地预测了/缓冲气混合物中的声速,这对于能应用至关重要. 额外树木回归 (ETR) 模型在这些估计中表现出卓越的表现.
科学领域:
- 物理化学 物理化学
- 声学 声学 在声学方面
- 计算科学 计算科学
背景情况:
- 声速是理解气体混合物的物理和化学特性的一个关键参数.
- 精确的音速数据对于运输和能源基础设施发展至关重要.
- 确定声音速度的传统方法可能比计算方法慢,不太准确.
研究的目的:
- 用机器学习估计气/缓冲气混合物中的声音速度.
- 为此估计任务,比较各种机器学习模型的性能.
- 确定影响这些混合物中声音速度的关键参数.
主要方法:
- 在气/缓冲气混合物中收集了665个声速数据集.
- 应用了五种机器学习模型:线性回归 (LR),额外树回归器 (ETR),极端梯度提升 (XGBoost),支持向量回归 (SVR) 和K-最近邻居 (KNN).
- 使用贝叶斯优化优化并使用五倍交叉验证优化超参数.
主要成果:
- 额外树木回归器 (ETR) 模型获得了最高的精度 (R2 = 0.9996,RMSE = 62775 m/s),紧随其后的是K-最近邻居 (KNN).
- ETR准确预测了64.81%的数据,误差低于0.0001%.
- 灵敏度分析显示,分子分数和压力是最有影响力的因素,甲分子分数的影响最小.
结论:
- 机器学习模型,特别是ETR,为气/缓冲气混合物中的声音速度提供了非常准确的预测.
- 这些模型为多元组件气体系统的声学行为提供了宝贵的见解.
- 这些发现支持通过实时监测和分析设计和控制能基础设施.
更多相关视频
14:11Quantification of Hydrogen Concentrations in Surface and Interface Layers and Bulk Materials through Depth Profiling with Nuclear Reaction Analysis
Published on: March 29, 2016
10:12Analyzing Mixing Inhomogeneity in a Microfluidic Device by Microscale Schlieren Technique
Published on: June 12, 2015
相关概念视频
Speed of Sound in Gases
Deriving the Speed of Sound in a Liquid
The speed of sound in fluids can be derived by considering a mechanical wave...
Intensity and Pressure of Sound Waves
Unlike the time average of a sinusoidal term, which is zero since it is positive...
Inductive Effects on Chemical Shift: Overview
Speed of Sound in Solids and Liquids
IR Spectroscopy: Hooke's Law Approximation of Molecular Vibration
According to Hooke's law, the vibrational frequency is directly proportional to...
