Rakotozandry ignace (31 risultati)

PAP. Condizione: New. New Book. Shipped from UK. Established seller since 2000.

Condizione: New.

PAP. Condizione: New. New Book. Shipped from UK. Established seller since 2000.

Taschenbuch. Condizione: Neu. Lean Six Sigma & Machine Learning for Optimization | Predicting Heavy Oil Viscosity with Machine Learning to Optimize Steam Injection and Reduce Energy Waste | Rakotozandry Ignace (u. a.) | Taschenbuch | Englisch | 2026 | GlobeEdit | EAN 9786209925986 | Verantwortliche Person für die EU: SIA OmniScriptum Publishing, Brivibas Gatve 197, 1039 RIGA, LETTLAND, customerservice[at]vdm-vsg[dot]de | Anbieter: preigu.…

PAP. Condizione: New. New Book. Shipped from UK. Established seller since 2000.

PAP. Condizione: New. New Book. Shipped from UK. Established seller since 2000.

PAP. Condizione: New. New Book. Shipped from UK. Established seller since 2000.

PAP. Condizione: New. New Book. Shipped from UK. Established seller since 2000.

Condizione: New.

Condizione: New.

Condizione: New.

Condizione: New.

PAP. Condizione: New. New Book. Shipped from UK. Established seller since 2000.

PAP. Condizione: New. New Book. Shipped from UK. Established seller since 2000.

PAP. Condizione: New. New Book. Shipped from UK. Established seller since 2000.

PAP. Condizione: New. New Book. Shipped from UK. Established seller since 2000.

Taschenbuch. Condizione: Neu. Lean Six Sigma et Machine Learning pour l'optimisation | Prédire la viscosité du pétrole lourd avec l'apprentissage automatique pour optimiser l'injection de vapeur et réduire le gaspillage d'énergie | Rakotozandry Ignace (u. a.) | Taschenbuch | Französisch | 2026 | Editions Notre Savoir | EAN 9786630125511 | Verantwortliche Person für die EU: SIA OmniScriptum Publishing, Brivibas Gatve 197, 1039 RIGA, LETTLAND, customerservice[at]vdm-vsg[dot]de | Anbieter: preigu.…

Taschenbuch. Condizione: Neu. Lean Six Sigma i uczenie maszynowe dla optymalizacji | Przewidywanie lepko¿ci oleju ci¿¿kiego za pomoc¿ uczenia maszynowego w celu optymalizacji wtrysku pary i zmniejszenia strat energii | Rakotozandry Ignace (u. a.) | Taschenbuch | Polnisch | 2026 | Wydawnictwo Nasza Wiedza | EAN 9786630130638 | Verantwortliche Person für die EU: SIA OmniScriptum Publishing, Brivibas Gatve 197, 1039 RIGA, LETTLAND, customerservice[at]vdm-vsg[dot]de | Anbieter: preigu.…

Taschenbuch. Condizione: Neu. Lean Six Sigma e apprendimento automatico per l'ottimizzazione | Prevedere la viscosità degli oli pesanti con il machine learning per ottimizzare l'iniezione di vapore e ridurre gli sprechi energetici | Rakotozandry Ignace (u. a.) | Taschenbuch | Italienisch | 2026 | Edizioni Sapienza | EAN 9786630128079 | Verantwortliche Person für die EU: SIA OmniScriptum Publishing, Brivibas Gatve 197, 1039 RIGA, LETTLAND, customerservice[at]vdm-vsg[dot]de | Anbieter: preigu.…

Taschenbuch. Condizione: Neu. Lean Six Sigma e aprendizagem automática para otimização | Previsão da viscosidade de óleos pesados com aprendizagem automática para otimizar a injeção de vapor e reduzir o desperdício de energia | Rakotozandry Ignace (u. a.) | Taschenbuch | Portugiesisch | 2026 | Edições Nosso Conhecimento | EAN 9786630133196 | Verantwortliche Person für die EU: SIA OmniScriptum Publishing, Brivibas Gatve 197, 1039 RIGA, LETTLAND, customerservice[at]vdm-vsg[dot]de | Anbieter: preigu.…

Taschenbuch. Condizione: Neu. Lean Six Sigma und maschinelles Lernen zur Optimierung | Vorhersage der Viskosität von Schweröl mit maschinellem Lernen zur Optimierung der Dampfeinspritzung und zur Reduzierung der Energieverschwendung | Rakotozandry Ignace (u. a.) | Taschenbuch | 60 S. | Deutsch | 2026 | Verlag Unser Wissen | EAN 9786630120394 | Verantwortliche Person für die EU: SIA OmniScriptum Publishing, Brivibas Gatve 197, 1039 RIGA, LETTLAND, customerservice[at]vdm-vsg[dot]de | Anbieter: preigu.…

Paperback. Condizione: new. Paperback. L'exploitation du petrole lourd presente d'importants defis energetiques et operationnels en raison de sa viscosite elevee, qui a un impact direct sur l'efficacite des processus de recuperation thermique. Dans le champ de Tsimiroro a Madagascar, une prevision precise de la viscosite est essentielle pour optimiser l'injection de vapeur et attenuer le gaspillage d'energie excessif. Cette etude adopte la methodologie Lean Six Sigma comme cadre structure pour eliminer les mudas operationnels (dechets) lies a la surconsommation de vapeur. Un cadre predictif base sur l'apprentissage automatique a ete developpe, comparant six architectures distinctes: regression lineaire, regression polynomiale du deuxieme degre, machine a vecteurs de support (SVM), reseau neuronal artificiel (ANN), foret aleatoire et XGBoost. Les resultats demontrent que meme si le modele polynomial atteint une precision statistique elevee (R2 = 0,995, RMSE = 154,62 cSt), l'architecture du reseau neuronal artificiel offre une robustesse superieure (R2 = 1,000, RMSE = 154,62 cSt) pour capturer des comportements thermiques non lineaires complexes. XGBoost et Random Forest affichent des performances competitives avec des valeurs R2 de 0,90 et 0,91 respectivement, tandis que SVM presente les erreurs de prediction les plus elevees (RMSE 780 cSt). This item is printed on demand. Shipping may be from multiple locations in the US or from the UK, depending on stock availability.…

Paperback. Condizione: new. Paperback. Eksploatacja oleju ciezkiego wiaze sie ze znacznymi wyzwaniami energetycznymi i operacyjnymi ze wzgledu na wysoka lepkosc, ktora bezposrednio wplywa na efektywnosc procesow odzysku termicznego. Na polu Tsimiroro na Madagaskarze dokladne przewidywanie lepkosci ma kluczowe znaczenie dla optymalizacji wtrysku pary i ograniczenia nadmiernych strat energii. W tym badaniu przyjeto metodologie Lean Six Sigma jako ustrukturyzowane ramy majace na celu wyeliminowanie operacyjnych Mud (odpadow) zwiazanych z nadmiernym zuzyciem pary. Opracowano platforme predykcyjna oparta na uczeniu maszynowym, porownujac szesc roznych architektur: regresje liniowa, regresje wielomianowa drugiego stopnia, maszyne wektorow nosnych (SVM), sztuczna siec neuronowa (ANN), losowy las i XGBoost. Wyniki pokazuja, ze chociaz model wielomianowy osiaga wysoka precyzje statystyczna (R2 = 0,995, RMSE = 154,62 cSt), architektura sztucznej sieci neuronowej zapewnia doskonala niezawodnosc (R2 = 1,000, RMSE = 154,62 cSt) w wychwytywaniu zlozonych nieliniowych zachowan termicznych. XGBoost i Random Forest wykazuja konkurencyjna wydajnosc z wartosciami R2 odpowiednio 0,90 i 0,91, podczas gdy SVM wykazuje najwyzsze bledy przewidywania (RMSE 780 cSt). This item is printed on demand. Shipping may be from multiple locations in the US or from the UK, depending on stock availability.…

Paperback. Condizione: new. Paperback. A exploracao de petroleo pesado apresenta desafios energeticos e operacionais significativos devido a alta viscosidade, o que impacta diretamente na eficiencia dos processos de recuperacao termica. No campo Tsimiroro de Madagascar, a previsao precisa da viscosidade e critica para otimizar a injecao de vapor e mitigar o desperdicio excessivo de energia. Este estudo adota a metodologia Lean Six Sigma como framework estruturado para eliminar Mudas (desperdicios) operacionais relacionados ao consumo excessivo de vapor. Uma estrutura preditiva baseada em aprendizado de maquina foi desenvolvida, comparando seis arquiteturas distintas: Regressao Linear, Regressao Polinomial de Segundo Grau, Maquina de Vetores de Suporte (SVM), Rede Neural Artificial (RNA), Floresta Aleatoria e XGBoost. Os resultados demonstram que enquanto o modelo polinomial atinge alta precisao estatistica (R2 = 0,995, RMSE = 154,62 cSt), a arquitetura da Rede Neural Artificial oferece robustez superior (R2 = 1,000, RMSE = 154,62 cSt) na captura de comportamentos termicos nao lineares complexos. XGBoost e Random Forest apresentam desempenho competitivo com valores de R2 de 0,90 e 0,91 respectivamente, enquanto SVM exibe os maiores erros de predicao (RMSE 780 cSt). This item is printed on demand. Shipping may be from multiple locations in the US or from the UK, depending on stock availability.…

Paperback. Condizione: new. Paperback. Lo sfruttamento del petrolio pesante presenta notevoli sfide energetiche e operative a causa dell'elevata viscosita, che incide direttamente sull'efficienza dei processi di recupero termico. Nel giacimento di Tsimiroro, in Madagascar, una previsione accurata della viscosita e fondamentale per ottimizzare l'iniezione di vapore e mitigare gli eccessivi sprechi energetici. Questo studio adotta la metodologia Lean Six Sigma come quadro strutturato per eliminare i Mudas operativi (rifiuti) legati al consumo eccessivo di vapore. E stato sviluppato un quadro predittivo basato sull'apprendimento automatico, confrontando sei architetture distinte: regressione lineare, regressione polinomiale di secondo grado, Support Vector Machine (SVM), rete neurale artificiale (ANN), foresta casuale e XGBoost. I risultati dimostrano che mentre il modello polinomiale raggiunge un'elevata precisione statistica (R2 = 0,995, RMSE = 154,62 cSt), l'architettura della rete neurale artificiale offre una robustezza superiore (R2 = 1.000, RMSE = 154,62 cSt) nell'acquisizione di comportamenti termici non lineari complessi. XGBoost e Random Forest mostrano prestazioni competitive con valori R2 rispettivamente di 0,90 e 0,91, mentre SVM mostra gli errori di previsione piu elevati (RMSE 780 cSt). This item is printed on demand. Shipping may be from multiple locations in the US or from the UK, depending on stock availability.…

Paperback. Condizione: new. Paperback. Die Schweroelfoerderung stellt aufgrund der hohen Viskositaet erhebliche Energie- und Betriebsherausforderungen dar, die sich direkt auf die Effizienz thermischer Rueckgewinnungsprozesse auswirken. Im Tsimiroro-Feld in Madagaskar ist eine genaue Viskositaetsvorhersage von entscheidender Bedeutung fuer die Optimierung der Dampfeinspritzung und die Reduzierung uebermaessiger Energieverschwendung. In dieser Studie wird die Lean-Six-Sigma-Methodik als strukturierter Rahmen zur Beseitigung betrieblicher Mudas (Verschwendungen) im Zusammenhang mit Dampfueberverbrauch verwendet. Es wurde ein auf maschinellem Lernen basierendes Vorhersage-Framework entwickelt, das sechs verschiedene Architekturen vergleicht: lineare Regression, Polynomregression zweiten Grades, Support Vector Machine (SVM), kuenstliches neuronales Netzwerk (ANN), Random Forest und XGBoost. Die Ergebnisse zeigen, dass das Polynommodell zwar eine hohe statistische Praezision (R2 = 0,995, RMSE = 154,62 cSt) erreicht, die Architektur des kuenstlichen neuronalen Netzwerks jedoch eine ueberlegene Robustheit (R2 = 1,000, RMSE = 154,62 cSt) bei der Erfassung komplexer nichtlinearer thermischer Verhaltensweisen bietet. XGBoost und Random Forest zeigen eine konkurrenzfaehige Leistung mit R2-Werten von 0,90 bzw. 0,91, waehrend SVM die hoechsten Vorhersagefehler aufweist (RMSE 780 cSt). This item is printed on demand. Shipping may be from multiple locations in the US or from the UK, depending on stock availability.…

Paperback. Condizione: new. Paperback. L'exploitation du petrole lourd presente d'importants defis energetiques et operationnels en raison de sa viscosite elevee, qui a un impact direct sur l'efficacite des processus de recuperation thermique. Dans le champ de Tsimiroro a Madagascar, une prevision precise de la viscosite est essentielle pour optimiser l'injection de vapeur et attenuer le gaspillage d'energie excessif. Cette etude adopte la methodologie Lean Six Sigma comme cadre structure pour eliminer les mudas operationnels (dechets) lies a la surconsommation de vapeur. Un cadre predictif base sur l'apprentissage automatique a ete developpe, comparant six architectures distinctes: regression lineaire, regression polynomiale du deuxieme degre, machine a vecteurs de support (SVM), reseau neuronal artificiel (ANN), foret aleatoire et XGBoost. Les resultats demontrent que meme si le modele polynomial atteint une precision statistique elevee (R2 = 0,995, RMSE = 154,62 cSt), l'architecture du reseau neuronal artificiel offre une robustesse superieure (R2 = 1,000, RMSE = 154,62 cSt) pour capturer des comportements thermiques non lineaires complexes. XGBoost et Random Forest affichent des performances competitives avec des valeurs R2 de 0,90 et 0,91 respectivement, tandis que SVM presente les erreurs de prediction les plus elevees (RMSE 780 cSt). This item is printed on demand. Shipping may be from our UK warehouse or from our Australian or US warehouses, depending on stock availability.…

Paperback. Condizione: new. Paperback. Eksploatacja oleju ciezkiego wiaze sie ze znacznymi wyzwaniami energetycznymi i operacyjnymi ze wzgledu na wysoka lepkosc, ktora bezposrednio wplywa na efektywnosc procesow odzysku termicznego. Na polu Tsimiroro na Madagaskarze dokladne przewidywanie lepkosci ma kluczowe znaczenie dla optymalizacji wtrysku pary i ograniczenia nadmiernych strat energii. W tym badaniu przyjeto metodologie Lean Six Sigma jako ustrukturyzowane ramy majace na celu wyeliminowanie operacyjnych Mud (odpadow) zwiazanych z nadmiernym zuzyciem pary. Opracowano platforme predykcyjna oparta na uczeniu maszynowym, porownujac szesc roznych architektur: regresje liniowa, regresje wielomianowa drugiego stopnia, maszyne wektorow nosnych (SVM), sztuczna siec neuronowa (ANN), losowy las i XGBoost. Wyniki pokazuja, ze chociaz model wielomianowy osiaga wysoka precyzje statystyczna (R2 = 0,995, RMSE = 154,62 cSt), architektura sztucznej sieci neuronowej zapewnia doskonala niezawodnosc (R2 = 1,000, RMSE = 154,62 cSt) w wychwytywaniu zlozonych nieliniowych zachowan termicznych. XGBoost i Random Forest wykazuja konkurencyjna wydajnosc z wartosciami R2 odpowiednio 0,90 i 0,91, podczas gdy SVM wykazuje najwyzsze bledy przewidywania (RMSE 780 cSt). This item is printed on demand. Shipping may be from our UK warehouse or from our Australian or US warehouses, depending on stock availability.…

Paperback. Condizione: new. Paperback. A exploracao de petroleo pesado apresenta desafios energeticos e operacionais significativos devido a alta viscosidade, o que impacta diretamente na eficiencia dos processos de recuperacao termica. No campo Tsimiroro de Madagascar, a previsao precisa da viscosidade e critica para otimizar a injecao de vapor e mitigar o desperdicio excessivo de energia. Este estudo adota a metodologia Lean Six Sigma como framework estruturado para eliminar Mudas (desperdicios) operacionais relacionados ao consumo excessivo de vapor. Uma estrutura preditiva baseada em aprendizado de maquina foi desenvolvida, comparando seis arquiteturas distintas: Regressao Linear, Regressao Polinomial de Segundo Grau, Maquina de Vetores de Suporte (SVM), Rede Neural Artificial (RNA), Floresta Aleatoria e XGBoost. Os resultados demonstram que enquanto o modelo polinomial atinge alta precisao estatistica (R2 = 0,995, RMSE = 154,62 cSt), a arquitetura da Rede Neural Artificial oferece robustez superior (R2 = 1,000, RMSE = 154,62 cSt) na captura de comportamentos termicos nao lineares complexos. XGBoost e Random Forest apresentam desempenho competitivo com valores de R2 de 0,90 e 0,91 respectivamente, enquanto SVM exibe os maiores erros de predicao (RMSE 780 cSt). This item is printed on demand. Shipping may be from our UK warehouse or from our Australian or US warehouses, depending on stock availability.…

Paperback. Condizione: new. Paperback. Die Schweroelfoerderung stellt aufgrund der hohen Viskositaet erhebliche Energie- und Betriebsherausforderungen dar, die sich direkt auf die Effizienz thermischer Rueckgewinnungsprozesse auswirken. Im Tsimiroro-Feld in Madagaskar ist eine genaue Viskositaetsvorhersage von entscheidender Bedeutung fuer die Optimierung der Dampfeinspritzung und die Reduzierung uebermaessiger Energieverschwendung. In dieser Studie wird die Lean-Six-Sigma-Methodik als strukturierter Rahmen zur Beseitigung betrieblicher Mudas (Verschwendungen) im Zusammenhang mit Dampfueberverbrauch verwendet. Es wurde ein auf maschinellem Lernen basierendes Vorhersage-Framework entwickelt, das sechs verschiedene Architekturen vergleicht: lineare Regression, Polynomregression zweiten Grades, Support Vector Machine (SVM), kuenstliches neuronales Netzwerk (ANN), Random Forest und XGBoost. Die Ergebnisse zeigen, dass das Polynommodell zwar eine hohe statistische Praezision (R2 = 0,995, RMSE = 154,62 cSt) erreicht, die Architektur des kuenstlichen neuronalen Netzwerks jedoch eine ueberlegene Robustheit (R2 = 1,000, RMSE = 154,62 cSt) bei der Erfassung komplexer nichtlinearer thermischer Verhaltensweisen bietet. XGBoost und Random Forest zeigen eine konkurrenzfaehige Leistung mit R2-Werten von 0,90 bzw. 0,91, waehrend SVM die hoechsten Vorhersagefehler aufweist (RMSE 780 cSt). This item is printed on demand. Shipping may be from our UK warehouse or from our Australian or US warehouses, depending on stock availability.…