Isbn: 9786630128079 - 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 (9 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 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.…

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.…

Taschenbuch. Condizione: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -Lo sfruttamento del petrolio pesante presenta notevoli sfide energetiche e operative a causa dell'elevata viscosità, che incide direttamente sull'efficienza dei processi di recupero termico. Nel giacimento di Tsimiroro, in Madagascar, una previsione accurata della viscosità è 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. È 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 (R = 0,995, RMSE = 154,62 cSt), l'architettura della rete neurale artificiale offre una robustezza superiore (R = 1.000, RMSE = 154,62 cSt) nell'acquisizione di comportamenti termici non lineari complessi. XGBoost e Random Forest mostrano prestazioni competitive con valori R rispettivamente di 0,90 e 0,91, mentre SVM mostra gli errori di previsione più elevati (RMSE ¿ 780 cSt). 56 pp. Italienisch.…

Taschenbuch. Condizione: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Lo sfruttamento del petrolio pesante presenta notevoli sfide energetiche e operative a causa dell'elevata viscosità, che incide direttamente sull'efficienza dei processi di recupero termico. Nel giacimento di Tsimiroro, in Madagascar, una previsione accurata della viscosità è 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. È 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 (R = 0,995, RMSE = 154,62 cSt), l'architettura della rete neurale artificiale offre una robustezza superiore (R = 1.000, RMSE = 154,62 cSt) nell'acquisizione di comportamenti termici non lineari complessi. XGBoost e Random Forest mostrano prestazioni competitive con valori R rispettivamente di 0,90 e 0,91, mentre SVM mostra gli errori di previsione più elevati (RMSE ¿ 780 cSt).…

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 our UK warehouse or from our Australian or US warehouses, depending on stock availability.…

Taschenbuch. Condizione: Neu. This item is printed on demand - Print on Demand Titel. Neuware -Lo sfruttamento del petrolio pesante presenta notevoli sfide energetiche e operative a causa dell'elevata viscosità, che incide direttamente sull'efficienza dei processi di recupero termico. Nel giacimento di Tsimiroro, in Madagascar, una previsione accurata della viscosità è 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. È 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 (R = 0,995, RMSE = 154,62 cSt), l'architettura della rete neurale artificiale offre una robustezza superiore (R = 1.000, RMSE = 154,62 cSt) nell'acquisizione di comportamenti termici non lineari complessi. XGBoost e Random Forest mostrano prestazioni competitive con valori R rispettivamente di 0,90 e 0,91, mentre SVM mostra gli errori di previsione più elevati (RMSE ¿ 780 cSt). 56 pp. Italienisch.…