EN Машинне навчання для властивостей холодоагентів

Міждисциплінарний характер нових цілей, спрямованих на розробку робочих матеріалів для екологічно чистих технологій вимагає більш динамічного використання інформаційних технологій (ІТ) для забезпечення правильних компромісних рішень у конкурентному середовищі. Машинне навчання (ML) — це частина мето...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autores principales:	С.В. Артеменко, В.О. Мазур
Formato:	article
Lenguaje:	EN RU UK
Publicado:	Odessa National Academy of Food Technologies 2021
Materias:	машинне навчання холодоагенти прогнозування азеотропного стану штучні нейронні мережі глобальна фазова діаграма органічний цикл ренкіна коефіцієнт продуктивності коефіцієнт перетворення термодинамічні властивості Electrical engineering. Electronics. Nuclear engineering TK1-9971 Environmental technology. Sanitary engineering TD1-1066
Acceso en línea:	https://doaj.org/article/484197d5948e402686833c250ed34261
Etiquetas:	Agregar Etiqueta Sin Etiquetas, Sea el primero en etiquetar este registro!

id	oai:doaj.org-article:484197d5948e402686833c250ed34261
record_format	dspace
spelling	oai:doaj.org-article:484197d5948e402686833c250ed342612021-12-03T11:25:52ZEN Машинне навчання для властивостей холодоагентів0453-83072409-679210.15673/ret.v57i3.2164https://doaj.org/article/484197d5948e402686833c250ed342612021-10-01T00:00:00Zhttps://journals.onaft.edu.ua/index.php/reftech/article/view/2164https://doaj.org/toc/0453-8307https://doaj.org/toc/2409-6792Міждисциплінарний характер нових цілей, спрямованих на розробку робочих матеріалів для екологічно чистих технологій вимагає більш динамічного використання інформаційних технологій (ІТ) для забезпечення правильних компромісних рішень у конкурентному середовищі. Машинне навчання (ML) — це частина методологій штучного інтелекту (AI), яка використовує алгоритми, які не є прямим рішенням проблеми, а навчаються за допомогою рішень незліченної кількості подібних проблем. Машинне навчання відкрило новий шлях у дослідженні термодинамічної поведінки нових речовин. Різні обчислювальні інструменти були застосовані для вирішення актуальної проблеми - прогнозування фазової поведінки soft речовин під значними екзогенними впливами. Метою цього дослідження є розробка нової точки зору щодо прогнозування термодинамічних властивостей м'яких речовин за допомогою методології, яка передбачає штучні нейронні мережі (ANN) та глобальну фазову діаграму для забезпечення кореляції між структурою та властивостями. В роботі представлено застосування машинного навчання в інженерній термодинаміці для прогнозування азеотропної поведінки бінарних холодоагентів і визначення коефіцієнта продуктивності (COP) для роботи органічного циклу Ренкіна (ORC). За даними про кипіння та критичні точки. Запропоновано новий підхід до прогнозування утворення азеотропного стану в суміші, який розроблено та представлено. Цей підхід використовує синергію нейронних мереж та методології глобальної фазової діаграми для кореляції азеотропних даних для бінарних сумішей на основі лише критичних властивостей та ацентричного коефіцієнта окремих компонентів у сумішах холодоагентів. Це не вимагає інтенсивних розрахунків. Побудова кореляцій ANN між інформаційними атрибутами робочих рідин та критеріями ефективності циклу Ренкіна звужує область компромісів у просторі конкурентних економічних, екологічних та технологічних критеріївС.В. АртеменкоВ.О. МазурOdessa National Academy of Food Technologiesarticleмашинне навчанняхолодоагентипрогнозування азеотропного стануштучні нейронні мережіглобальна фазова діаграмаорганічний цикл ренкінакоефіцієнт продуктивностікоефіцієнт перетвореннятермодинамічні властивостіElectrical engineering. Electronics. Nuclear engineeringTK1-9971Environmental technology. Sanitary engineeringTD1-1066ENRUUKHolodilʹnaâ Tehnika i Tehnologiâ, Vol 57, Iss 3, Pp 138-146 (2021)
institution	DOAJ
collection	DOAJ
language	EN RU UK
topic	машинне навчання холодоагенти прогнозування азеотропного стану штучні нейронні мережі глобальна фазова діаграма органічний цикл ренкіна коефіцієнт продуктивності коефіцієнт перетворення термодинамічні властивості Electrical engineering. Electronics. Nuclear engineering TK1-9971 Environmental technology. Sanitary engineering TD1-1066
spellingShingle	машинне навчання холодоагенти прогнозування азеотропного стану штучні нейронні мережі глобальна фазова діаграма органічний цикл ренкіна коефіцієнт продуктивності коефіцієнт перетворення термодинамічні властивості Electrical engineering. Electronics. Nuclear engineering TK1-9971 Environmental technology. Sanitary engineering TD1-1066 С.В. Артеменко В.О. Мазур EN Машинне навчання для властивостей холодоагентів
description	Міждисциплінарний характер нових цілей, спрямованих на розробку робочих матеріалів для екологічно чистих технологій вимагає більш динамічного використання інформаційних технологій (ІТ) для забезпечення правильних компромісних рішень у конкурентному середовищі. Машинне навчання (ML) — це частина методологій штучного інтелекту (AI), яка використовує алгоритми, які не є прямим рішенням проблеми, а навчаються за допомогою рішень незліченної кількості подібних проблем. Машинне навчання відкрило новий шлях у дослідженні термодинамічної поведінки нових речовин. Різні обчислювальні інструменти були застосовані для вирішення актуальної проблеми - прогнозування фазової поведінки soft речовин під значними екзогенними впливами. Метою цього дослідження є розробка нової точки зору щодо прогнозування термодинамічних властивостей м'яких речовин за допомогою методології, яка передбачає штучні нейронні мережі (ANN) та глобальну фазову діаграму для забезпечення кореляції між структурою та властивостями. В роботі представлено застосування машинного навчання в інженерній термодинаміці для прогнозування азеотропної поведінки бінарних холодоагентів і визначення коефіцієнта продуктивності (COP) для роботи органічного циклу Ренкіна (ORC). За даними про кипіння та критичні точки. Запропоновано новий підхід до прогнозування утворення азеотропного стану в суміші, який розроблено та представлено. Цей підхід використовує синергію нейронних мереж та методології глобальної фазової діаграми для кореляції азеотропних даних для бінарних сумішей на основі лише критичних властивостей та ацентричного коефіцієнта окремих компонентів у сумішах холодоагентів. Це не вимагає інтенсивних розрахунків. Побудова кореляцій ANN між інформаційними атрибутами робочих рідин та критеріями ефективності циклу Ренкіна звужує область компромісів у просторі конкурентних економічних, екологічних та технологічних критеріїв
format	article
author	С.В. Артеменко В.О. Мазур
author_facet	С.В. Артеменко В.О. Мазур
author_sort	С.В. Артеменко
title	EN Машинне навчання для властивостей холодоагентів
title_short	EN Машинне навчання для властивостей холодоагентів
title_full	EN Машинне навчання для властивостей холодоагентів
title_fullStr	EN Машинне навчання для властивостей холодоагентів
title_full_unstemmed	EN Машинне навчання для властивостей холодоагентів
title_sort	en машинне навчання для властивостей холодоагентів
publisher	Odessa National Academy of Food Technologies
publishDate	2021
url	https://doaj.org/article/484197d5948e402686833c250ed34261
work_keys_str_mv	AT svartemenko enmašinnenavčannâdlâvlastivostejholodoagentív AT vomazur enmašinnenavčannâdlâvlastivostejholodoagentív
_version_	1718373265324376064

EN Машинне навчання для властивостей холодоагентів

Ejemplares similares