A HYBRID GP-GWO FRAMEWORK FOR ENHANCED PERFORMANCE OF ROTARY DRYING SYSTEMS
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27230%2F25%3A10259142" target="_blank" >RIV/61989100:27230/25:10259142 - isvavai.cz</a>
Výsledek na webu
<a href="https://www.mmscience.eu/journal/issues/march-2025/articles" target="_blank" >https://www.mmscience.eu/journal/issues/march-2025/articles</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.17973/MMSJ.2025_03_2025004" target="_blank" >10.17973/MMSJ.2025_03_2025004</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
A HYBRID GP-GWO FRAMEWORK FOR ENHANCED PERFORMANCE OF ROTARY DRYING SYSTEMS
Popis výsledku v původním jazyce
This study presents a hybrid framework combining Genetic Programming (GP) and Grey Wolf Optimizer (GWO) to enhance the performance of rotary drying systems. The methodology employs Box Behnken Design (BBD) to investigate the effects of critical process parameters—drying temperature, time, and airflow rate—on moisture ratio (MR). GP is utilized to develop predictive models that capture nonlinear interactions among variables, whereas GWO optimizes the parameters to achieve the desired MR. The proposed GP-GWO framework demonstrates superior predictive accuracy and optimization efficiency compared to traditional methods. It achieves a 1.5% improvement in moisture ratio (MR) optimization over El-Mesery et al.'s model. Experimental validation highlights the framework's ability to minimize moisture ratio while maximizing energy efficiency. © 2025, MM publishing Ltd.. All rights reserved.
Název v anglickém jazyce
A HYBRID GP-GWO FRAMEWORK FOR ENHANCED PERFORMANCE OF ROTARY DRYING SYSTEMS
Popis výsledku anglicky
This study presents a hybrid framework combining Genetic Programming (GP) and Grey Wolf Optimizer (GWO) to enhance the performance of rotary drying systems. The methodology employs Box Behnken Design (BBD) to investigate the effects of critical process parameters—drying temperature, time, and airflow rate—on moisture ratio (MR). GP is utilized to develop predictive models that capture nonlinear interactions among variables, whereas GWO optimizes the parameters to achieve the desired MR. The proposed GP-GWO framework demonstrates superior predictive accuracy and optimization efficiency compared to traditional methods. It achieves a 1.5% improvement in moisture ratio (MR) optimization over El-Mesery et al.'s model. Experimental validation highlights the framework's ability to minimize moisture ratio while maximizing energy efficiency. © 2025, MM publishing Ltd.. All rights reserved.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
20301 - Mechanical engineering
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2025
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
MM Science Journal
ISSN
1803-1269
e-ISSN
—
Svazek periodika
2025-March
Číslo periodika v rámci svazku
1
Stát vydavatele periodika
CZ - Česká republika
Počet stran výsledku
7
Strana od-do
8147-8153
Kód UT WoS článku
001435394200001
EID výsledku v databázi Scopus
2-s2.0-105000058459