Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "regresja liniowa wielokrotna" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
An investigation of the effects of moderator variables on the lower heating value estimation of lignite deposits in Turkey
Badanie wpływu zmiennych moderatora na szacowanie wartości opałowej złóż węgla brunatnego w Turcji
Autorzy:
Aksoy, Mehmet
Powiązania:
https://bibliotekanauki.pl/articles/27311661.pdf
Data publikacji:
2023
Wydawca:
Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
Tematy:
lignite deposit
lower heating value
multiple linear regression
moderator analysis
proximate analysis
węgiel brunatny
wartość opałowa
wielokrotna regresja liniowa
analiza moderatora
analiza techniczna
Opis:
Turkey has 19.3 billion tons of lignite reserves and the vast majority of these Neogene lignite deposits are preferred for use in thermal power plants due to their low calorific value. The calorific value of lignite used in thermal power plants for electricity generation must be kept under constant control. In the control of calorific value, the estimation of the lower and higher heating values (LHV and HHV) of lignite is of great importance. In the literature, there are many studies that establish a relationship between the heating values of coal and proximate and ultimate analysis variables. In the studies dealing with proximate analysis data, it is observed that although the coefficients of the obtained multiple linear regression models (MRM) are statistically insignificant, these models are used to predict heating values because of the meaningful correlation coefficient. In this study, it is investigated whether moderator variables are effective on LHV estimation with proximate analysis data collected from forty-one lignite basins in different regions of Turkey, and a moderator variable analysis (MVA) model is developed to be used for the prediction of LHV. As a result of the study, it is found that the proposed MVA model is in accordance with observation values (coefficient of determination R2 = 0.951), and absolute and standard errors are also small. Therefore, it is concluded that the use of MVA to estimate the LHV of Turkey’s lignite is found to be more statistically meaningful.
Turcja posiada 19,3 mld ton zasobów węgla brunatnego, a zdecydowana większość tych neogeńskich złóż węgla brunatnego jest preferowana do wykorzystania w elektrowniach cieplnych ze względu na ich niską wartość opałową. Wartość opałowa węgla brunatnego wykorzystywanego w elektrowniach ciepłowniczych do produkcji energii elektrycznej musi być stale kontrolowana. W procesie kontroli wartości opałowej bardzo ważne jest oszacowanie wartości opałowej i ciepła spalania węgla brunatnego. W literaturze istnieje wiele badań, które ustalają związek między wartościami opałowymi węgla a zmiennymi analizy przybliżonej (technicznej) i końcowej. W badaniach dotyczących danych analizy technicznej zaobserwowano, że chociaż współczynniki uzyskanych modeli wielokrotnej regresji liniowej (MRM) są statystycznie nieistotne, modele te są wykorzystywane do przewidywania wartości opałowych ze względu na znaczący współczynnik korelacji. W niniejszym artykule zbadano, czy zmienne moderatora są skuteczne w szacowaniu wartości opałowej (LHV) na podstawie danych z analizy technicznej zebranych z czterdziestu jeden zagłębi węgla brunatnego w różnych regionach Turcji, a także opracowano model analizy zmiennych moderatora (MVA), który ma być wykorzystywany do przewidywania LHV. W wyniku badań stwierdzono, że proponowany model MVA jest zgodny z wartościami obserwacji (współczynnik determinacji R2 = 0,951), a błędy bezwzględne i standardowe są również niewielkie. W związku z tym stwierdzono, że wykorzystanie MVA do oszacowania LHV tureckiego węgla brunatnego jest statystycznie uzasadnione.
Źródło:
Gospodarka Surowcami Mineralnymi; 2023, 39, 3; 199--216
0860-0953
Pojawia się w:
Gospodarka Surowcami Mineralnymi
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Prediction of quality parameters of a dry air separation product using machine learning methods
Przewidywanie parametrów jakościowych produktu suchej separacji węgla metodami uczenia maszynowego
Autorzy:
Żogała, Alina
Rzychoń, Maciej
Powiązania:
https://bibliotekanauki.pl/articles/216889.pdf
Data publikacji:
2019
Wydawca:
Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
Tematy:
artificial neural network
multiple linear regression
support vector machine
dry coal separation
sztuczna sieć neuronowa
sucha separacja węgla
wielokrotna regresja liniowa
maszyna wektorów nośnych
Opis:
The purpose of the work was to predict the selected product parameters of the dry separation process using a pneumatic sorter. From the perspective of application of coal for energy purposes, determination of process parameters of the output as: ash content, moisture content, sulfur content, calorific value is essential. Prediction was carried out using chosen machine learning algorithms that proved to be effective in forecasting output of various technological processes in which the relationships between process parameters are non-linear. The source of data used in the work were experiments of dry separation of coal samples. Multiple linear regression was used as the baseline predictive technique. The results showed that in the case of predicting moisture and sulfur content this technique was sufficient. The more complex machine learning algorithms like support vector machine (SVM) and multilayer perceptron neural network (MPL) were used and analyzed in the case of ash content and calorific value. In addition, k-means clustering technique was applied. The role of cluster analysis was to obtain additional information about coal samples used as feed material. The combination of techniques such as multilayer perceptron neural network (MPL) or support vector machine (SVM) with k-means allowed for the development of a hybrid algorithm. This approach has significantly increased the effectiveness of the predictive models and proved to be a useful tool in the modeling of the coal enrichment process.
Celem pracy było prognozowanie wybranych parametrów produktu procesu suchej separacji za pomocą sortera pneumatycznego. Z punktu widzenia zastosowania węgla do celów energetycznych niezbędne jest określenie parametrów procesowych wydobycia, takich jak: zawartość popiołu, zawartość wilgoci, zawartość siarki czy wartość kaloryczna. Prognozowanie przeprowadzono przy użyciu wybranych algorytmów uczenia maszynowego, które okazały się skuteczne w prognozowaniu wyjścia różnych procesów technologicznych, w których zależności między parametrami procesu są nieliniowe. Źródłem danych wykorzystanych w pracy były eksperymenty procesu suchej separacji węgla. Zastosowano wieloraką regresję liniową jako bazową metodę predykcyjną. Wyniki pokazały, że w przypadku przewidywania zawartości wilgoci i siarki technika ta była wystarczająca. Bardziej złożone algorytmy uczenia maszynowego, takie jak maszyna wektorów nośnych (SVM) i perceptron wielowarstwowy (MLP) zostały wykorzystane i przeanalizowane w przypadku zawartości popiołu i wartości opałowej. Ponadto wdrożono technikę k-średnich. Rolą analizy skupień było uzyskanie dodatkowych informacji na temat próbek węgla będących wejściem procesu. Połączenie technik, takich jak perceptron wielowarstwowy (MLP) lub maszyna wektorów nośnych (SVM) z metodą k-średnich pozwoliło na opracowanie hybrydowego algorytmu. Takie podejście znacznie zwiększyło efektywność modeli predykcyjnych i okazało się użytecznym narzędziem w modelowaniu procesu wzbogacania węgla.
Źródło:
Gospodarka Surowcami Mineralnymi; 2019, 35, 2; 119-138
0860-0953
Pojawia się w:
Gospodarka Surowcami Mineralnymi
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies