کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
205141 461097 2016 5 صفحه PDF سفارش دهید دانلود رایگان
عنوان انگلیسی مقاله ISI
Estimation of coal gross calorific value based on various analyses by random forest method
ترجمه فارسی عنوان
برآورد ارزش گرمایی زغال سنگ ناخالص بر اساس تجزیه و تحلیل های مختلف با استفاده از روش جنگل تصادفی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
سفارش ترجمه تخصصی
با تضمین قیمت و کیفیت
خدمات تولید محتوا

این مقاله ISI می تواند منبع ارزشمندی برای تولید محتوا باشد.

  • تولید محتوا برای سایت و وبلاگ
  • تولید محتوا برای کتاب
  • تولید محتوا برای نشریات و روزنامه ها
  • و...

پایگاه «دانشیاری» آمادگی دارد با همکاری مجموعه «شهر محتوا» با استفاده از این مقاله علمی، برای شما به زبان فارسی، تولید محتوا نماید.

تولید محتوا
با 10 درصد تخفیف ویژه دانشیاری
موضوعات مرتبط
مهندسی و علوم پایه مهندسی شیمی مهندسی شیمی (عمومی)
چکیده انگلیسی


• Properties of US coal were studied for the prediction of gross calorific value (GCV).
• Random forest (RF) models indicated that RF can accurately predict GCV.
• RF models are much suitable to assess complicated relationships in coal processing.
• Results recommended random forest as a model can be applied for other coal resources.

The last decade has witnessed of increasing the application of random forest (RF) models that are known as an exhibit good practical performance, especially in high-dimensional settings. However, on the theoretical side, their predictive ability markedly remains unexplained, especially in coal preparation. RF as a predictive model can tend to work well with large dimensional databases and rank predictors through its inbuilt variable importance measures. In this study, relationships among ultimate and proximate analyses of 6339 US coal samples from 26 states with gross calorific value (GCV) have been investigated by multivariable regression (MVR) and random forest (RF) models. RF method has been used for the variable importance. Models have shown that the ultimate analysis parameters are the most suitable estimators for GCV and that RF can predict GCV quite satisfactory. Running of the best arranged RF structures for the input sets and assessment of errors have suggested that RF models are suitable for complicated relationships.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Fuel - Volume 177, 1 August 2016, Pages 274–278
نویسندگان
,,
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
سفارش ترجمه تخصصی
با تضمین قیمت و کیفیت