Verwandte Artikel zu Lean Six Sigma et Machine Learning pour l'optimisation:...
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 - Softcover
Inhaltsangabe
L'exploitation du pétrole lourd présente d'importants défis énergétiques et opérationnels en raison de sa viscosité élevée, qui a un impact direct sur l'efficacité des processus de récupération thermique. Dans le champ de Tsimiroro à Madagascar, une prévision précise de la viscosité est essentielle pour optimiser l'injection de vapeur et atténuer le gaspillage d'énergie excessif. Cette étude adopte la méthodologie Lean Six Sigma comme cadre structuré pour éliminer les mudas opérationnels (déchets) liés à la surconsommation de vapeur. Un cadre prédictif basé sur l'apprentissage automatique a été développé, comparant six architectures distinctes : régression linéaire, régression polynomiale du deuxième degré, machine à vecteurs de support (SVM), réseau neuronal artificiel (ANN), forêt aléatoire et XGBoost. Les résultats démontrent que même si le modèle polynomial atteint une précision statistique élevée (R² = 0,995, RMSE = 154,62 cSt), l'architecture du réseau neuronal artificiel offre une robustesse supérieure (R² = 1,000, RMSE = 154,62 cSt) pour capturer des comportements thermiques non linéaires complexes. XGBoost et Random Forest affichent des performances compétitives avec des valeurs R² de 0,90 et 0,91 respectivement, tandis que SVM présente les erreurs de prédiction les plus élevées (RMSE ¿ 780 cSt).
Die Inhaltsangabe kann sich auf eine andere Ausgabe dieses Titels beziehen.
Über die Autorin bzw. den Autor
Aprovecho los principios Lean, TRIZ y la modelización avanzada para ofrecer soluciones innovadoras y sostenibles para sistemas industriales y energéticos. Como investigador y conferenciante, tiendo puentes entre la teoría científica y la eficiencia práctica para resolver complejos retos de ingeniería.
„Über diesen Titel“ kann sich auf eine andere Ausgabe dieses Titels beziehen.
Suchergebnisse für Lean Six Sigma et Machine Learning pour l'optimisation:...
Beispielbild für diese ISBN
Lean Six Sigma et Machine Learning pour l'optimisation
Anbieter: PBShop.store US, Wood Dale, IL, USA
Verkäuferbewertung 5 von 5 Sternen
PAP. Zustand: New. New Book. Shipped from UK. Established seller since 2000. Bestandsnummer des Verkäufers L2-9786630125511
Neu kaufen
EUR 59,61
Versand gratis
Versand innerhalb von USA
Versand innerhalb von USA
Anzahl: Mehr als 20 verfügbar
Beispielbild für diese ISBN
Lean Six Sigma et Machine Learning pour l'optimisation (Paperback)
Print-on-DemandAnbieter: Grand Eagle Retail, Bensenville, IL, USA
Verkäuferbewertung 5 von 5 Sternen
Paperback. Zustand: 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. Bestandsnummer des Verkäufers 9786630125511
Beispielbild für diese ISBN
Lean Six Sigma et Machine Learning pour l'optimisation (French Edition)
Anbieter: California Books, Miami, FL, USA
Verkäuferbewertung 5 von 5 Sternen
Zustand: New. Bestandsnummer des Verkäufers I-9786630125511
Neu kaufen
EUR 59,78
Versand gratis
Versand innerhalb von USA
Versand innerhalb von USA
Anzahl: Mehr als 20 verfügbar
Beispielbild für diese ISBN
Lean Six Sigma et Machine Learning pour l'optimisation
Anbieter: PBShop.store UK, Fairford, GLOS, Vereinigtes Königreich
Verkäuferbewertung 5 von 5 Sternen
PAP. Zustand: New. New Book. Shipped from UK. Established seller since 2000. Bestandsnummer des Verkäufers L2-9786630125511
Neu kaufen
EUR 57,94
EUR 3,83 Versand
Versand von Vereinigtes Königreich nach USA
Versand von Vereinigtes Königreich nach USA
Anzahl: Mehr als 20 verfügbar
Beispielbild für diese ISBN
Lean Six Sigma et Machine Learning pour l'optimisation
Verlag:
Editions Notre Savoir Jun 2026, 2026
ISBN 10: 6630125517
ISBN 13: 9786630125511
Neu
Taschenbuch
Anbieter: BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, Deutschland
Verkäuferbewertung 5 von 5 Sternen
Taschenbuch. Zustand: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -L'exploitation du pétrole lourd présente d'importants défis énergétiques et opérationnels en raison de sa viscosité élevée, qui a un impact direct sur l'efficacité des processus de récupération thermique. Dans le champ de Tsimiroro à Madagascar, une prévision précise de la viscosité est essentielle pour optimiser l'injection de vapeur et atténuer le gaspillage d'énergie excessif. Cette étude adopte la méthodologie Lean Six Sigma comme cadre structuré pour éliminer les mudas opérationnels (déchets) liés à la surconsommation de vapeur. Un cadre prédictif basé sur l'apprentissage automatique a été développé, comparant six architectures distinctes : régression linéaire, régression polynomiale du deuxième degré, machine à vecteurs de support (SVM), réseau neuronal artificiel (ANN), forêt aléatoire et XGBoost. Les résultats démontrent que même si le modèle polynomial atteint une précision statistique élevée (R = 0,995, RMSE = 154,62 cSt), l'architecture du réseau neuronal artificiel offre une robustesse supérieure (R = 1,000, RMSE = 154,62 cSt) pour capturer des comportements thermiques non linéaires complexes. XGBoost et Random Forest affichent des performances compétitives avec des valeurs R de 0,90 et 0,91 respectivement, tandis que SVM présente les erreurs de prédiction les plus élevées (RMSE ¿ 780 cSt). 56 pp. Französisch. Bestandsnummer des Verkäufers 9786630125511
Neu kaufen
EUR 48,90
EUR 23,00 Versand
Versand von Deutschland nach USA
Versand von Deutschland nach USA
Anzahl: 2 verfügbar
Foto des Verkäufers
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
Print-on-DemandAnbieter: AHA-BUCH GmbH, Einbeck, Deutschland
Verkäuferbewertung 5 von 5 Sternen
Taschenbuch. Zustand: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - L'exploitation du pétrole lourd présente d'importants défis énergétiques et opérationnels en raison de sa viscosité élevée, qui a un impact direct sur l'efficacité des processus de récupération thermique. Dans le champ de Tsimiroro à Madagascar, une prévision précise de la viscosité est essentielle pour optimiser l'injection de vapeur et atténuer le gaspillage d'énergie excessif. Cette étude adopte la méthodologie Lean Six Sigma comme cadre structuré pour éliminer les mudas opérationnels (déchets) liés à la surconsommation de vapeur. Un cadre prédictif basé sur l'apprentissage automatique a été développé, comparant six architectures distinctes : régression linéaire, régression polynomiale du deuxième degré, machine à vecteurs de support (SVM), réseau neuronal artificiel (ANN), forêt aléatoire et XGBoost. Les résultats démontrent que même si le modèle polynomial atteint une précision statistique élevée (R = 0,995, RMSE = 154,62 cSt), l'architecture du réseau neuronal artificiel offre une robustesse supérieure (R = 1,000, RMSE = 154,62 cSt) pour capturer des comportements thermiques non linéaires complexes. XGBoost et Random Forest affichent des performances compétitives avec des valeurs R de 0,90 et 0,91 respectivement, tandis que SVM présente les erreurs de prédiction les plus élevées (RMSE = 780 cSt). Bestandsnummer des Verkäufers 9786630125511
Neu kaufen
EUR 51,60
EUR 35,00 Versand
Versand von Deutschland nach USA
Versand von Deutschland nach USA
Anzahl: 2 verfügbar
Beispielbild für diese ISBN
Lean Six Sigma et Machine Learning pour l'optimisation (Paperback)
Print-on-DemandAnbieter: CitiRetail, Stevenage, Vereinigtes Königreich
Verkäuferbewertung 5 von 5 Sternen
Paperback. Zustand: 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. Bestandsnummer des Verkäufers 9786630125511
Neu kaufen
EUR 63,01
EUR 43,13 Versand
Versand von Vereinigtes Königreich nach USA
Versand von Vereinigtes Königreich nach USA
Anzahl: 1 verfügbar
Beispielbild für diese ISBN
Lean Six Sigma et Machine Learning pour l'optimisation
Verlag:
Editions Notre Savoir Jun 2026, 2026
ISBN 10: 6630125517
ISBN 13: 9786630125511
Neu
Taschenbuch
Anbieter: buchversandmimpf2000, Emtmannsberg, BAYE, Deutschland
Verkäuferbewertung 5 von 5 Sternen
Taschenbuch. Zustand: Neu. This item is printed on demand - Print on Demand Titel. Neuware -L'exploitation du pétrole lourd présente d'importants défis énergétiques et opérationnels en raison de sa viscosité élevée, qui a un impact direct sur l'efficacité des processus de récupération thermique. Dans le champ de Tsimiroro à Madagascar, une prévision précise de la viscosité est essentielle pour optimiser l'injection de vapeur et atténuer le gaspillage d'énergie excessif. Cette étude adopte la méthodologie Lean Six Sigma comme cadre structuré pour éliminer les mudas opérationnels (déchets) liés à la surconsommation de vapeur. Un cadre prédictif basé sur l'apprentissage automatique a été développé, comparant six architectures distinctes : régression linéaire, régression polynomiale du deuxième degré, machine à vecteurs de support (SVM), réseau neuronal artificiel (ANN), forêt aléatoire et XGBoost. Les résultats démontrent que même si le modèle polynomial atteint une précision statistique élevée (R = 0,995, RMSE = 154,62 cSt), l'architecture du réseau neuronal artificiel offre une robustesse supérieure (R = 1,000, RMSE = 154,62 cSt) pour capturer des comportements thermiques non linéaires complexes. XGBoost et Random Forest affichent des performances compétitives avec des valeurs R de 0,90 et 0,91 respectivement, tandis que SVM présente les erreurs de prédiction les plus élevées (RMSE ¿ 780 cSt). 56 pp. Französisch. Bestandsnummer des Verkäufers 9786630125511
Neu kaufen
EUR 48,90
EUR 60,00 Versand
Versand von Deutschland nach USA
Versand von Deutschland nach USA
Anzahl: 1 verfügbar