Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Predicting 30-Day Emergency Readmission Risk Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Cyclone Performance Prediction Using Linear Regression Techniques

verfasst von : Marina Corral Bobadilla, Roberto Fernandez Martinez, Rubén Lostado Lorza, Fátima Somovilla Gomez, Eliseo P. Vergara Gonzalez

Erschienen in: International Joint Conference SOCO’16-CISIS’16-ICEUTE’16

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

A wide range of industrial fields utilize cyclone separators and so, evaluating their performance according to different materials and varying operating conditions could contribute useful information and could also save these industries significant amounts of capital. This study models cyclone performance using linear regression techniques and low errors were obtained in comparison with the values obtained from real experiments. Linear regression and generalized linear regression techniques, simple and enhanced with Gradient Boosting techniques, were used to create linear models with low errors of approximately 0.83 % in cyclone performance.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Assisting the Diagnosis of Neurodegenerative Disorders Using Principal Component Analysis and TensorFlow
Nächstes Kapitel Time Analysis of Air Pollution in a Spanish Region Through k-means
Literatur
1.
Zhao, B., Shen, H., Kang, Y.: Development of a symmetrical spiral inlet to improve cyclone separation performance. Powder Technol. 145(1), 47–50 (2004)CrossRef
2.
Elsayed, K., Lacor, C.: CFD modeling and multi-objective optimization of cyclone geometry using desirability function, artificial neural networks and genetic algorithms. Appl. Math. Model. 37(8), 5680–5704 (2013)CrossRef
3.
Elsayed, K., Lacor, C.: Multi-objective surrogate based optimization of gas cyclones using support vector machines and CFD simulations. In: Application of Surrogate-Based Global Optimization to Aerodynamic Design, pp. 59–72. Springer, Heidelberg (2016)
4.
Lostado-Lorza, R. Corral-Bobadilla, M., Escribano-Garcia, R., Fernandez Martinez, R., Alfonso Cendon, J.: XV Congreso Internacional de Ingeniería de Proyectos, Huesca, pp. 2219–2229 (2011)
5.
Kuncheva, L.I.: Combining Pattern Classifiers: Methods and Algorithms. Wiley, Hoboken (2004)CrossRefMATH
6.
Avci, A., Karagoz, I.: Effects of flow and geometrical parameters on the collection efficiency in cyclone separators. J. Aerosol Sci. 34(7), 937–955 (2003)CrossRef
7.
Gimbun, J., Chuah, T.G., Choong, T.S.Y., Fakhru’l-Razi, A.: Prediction of the effects of cone tip diameter on the cyclone performance. Aer. Sci. 36, 1056–1065 (2005)CrossRef
8.
Chuah, T.G., Gimbun, J., Choong, T.S.Y.: A CFD study of the effect of cone dimensions on sampling aerocyclones performance and hydrodynamics. Powder Technol. 162, 126–132 (2006)CrossRef
9.
Raoufi, A., Shams, M., Farzaneh, M., Ebrahimi, R.: Numerical simulation and optimization of fluid flow in cyclone vortex finder. Chem. Eng. Process. 47, 128–137 (2008)CrossRef
10.
Leith, D., Licht, W.: The collection efficiency of cyclone type particle collectors a new theoretical approach. AIChE Symp. 68(126), 196–206 (1972)
11.
Echeverri Londoño, C.A.: Diseño óptimo de ciclones. Rev. Ing. Univ. Medel. 5(09), 123–139 (2006). App. Mat. Modelling, 35, 1952–1968
12.
Cortes, C., Gil, A.: Modeling the gas and particle flow inside cyclone separators. Prog. Energy Comb. Sci. 33, 409–452 (2007)CrossRef
13.
Friedman, J.H.: Greedy function approximation: a gradient boosting machine. Technical Report, Department of Statistics, Sequoia Hall, Stanford University, Stanford California 94305 (1999)
14.
Friedman, J.H.: Stochastic gradient boosting. Technical Report, Department of Statistics, Sequoia Hall, Stanford University, Stanford California 94305 (1999)
15.
Wang, Z.: HingeBoost: ROC-based boost for classification and variable selection. Int. J. Biostat. 7(1), 1–30 (2011) MathSciNetCrossRef
16.
McCullagh, P., Nelder, J.A.: Generalized Linear Models. Chapman and Hall, London (1989)CrossRefMATH
17.
Dobson, A.J.: An Introduction to Generalized Linear Models. Chapman and Hall, London (1990)CrossRefMATH
18.
Hastie, T.J., Pregibon, D.: Generalized linear models. In: Chambers, J.M., Hastie, T.J. (eds.) Statistical Models in S. Wadsworth & Brooks/Cole, Pacific Grove (1992)
19.
Venables, W.N., Ripley, B.D.: Modern Applied Statistics with S. Springer, New York (2002)CrossRefMATH
20.
Fox, J.: Applied Regression Analysis and Generalized Linear Models, 3rd edn. McMaster University, SAGE Publications Inc, Thousand Oaks (2015)
21.
Freund, Y., Schapire, R.E.: Experiments with a new boosting algorithm. In: Proceedings of the 13th International Conference on Machine Learning, San Francisco, CA, pp. 148–156 (1996)
22.
Buehlmann, P.: Boosting for high-dimensional linear models. Ann. Stat. 34, 559–583 (2006)MathSciNet
23.
Buehlmann, P., Yu, B.: Boosting with the L2 loss: regression and classification. J. Am. Stat. Assoc. 98, 324–339 (2003)CrossRef
24.
Buehlmann, P., Hothorn, T.: Boosting algorithms: regularization, prediction and model fitting. Stat. Sci. 22(4), 477–505 (2007)MathSciNetMATH
25.
Metadaten
Titel
Cyclone Performance Prediction Using Linear Regression Techniques
verfasst von
Marina Corral Bobadilla
Roberto Fernandez Martinez
Rubén Lostado Lorza
Fátima Somovilla Gomez
Eliseo P. Vergara Gonzalez
Copyright-Jahr
2017
Buch
International Joint Conference SOCO’16-CISIS’16-ICEUTE’16

Print ISBN: 978-3-319-47363-5

Electronic ISBN: 978-3-319-47364-2

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-47364-2_6