Articles liés à Lean Six Sigma et Machine Learning pour l'optimisation
Synopsis
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).
Les informations fournies dans la section « Synopsis » peuvent faire référence à une autre édition de ce titre.
Résultats de recherche pour Lean Six Sigma et Machine Learning pour l'optimisation
Image d'archives
Lean Six Sigma et Machine Learning pour l'optimisation
Vendeur : PBShop.store US, Wood Dale, IL, Etats-Unis
Évaluation du vendeur 5 sur 5 étoiles
PAP. Etat : New. New Book. Shipped from UK. Established seller since 2000. N° de réf. du vendeur L2-9786630125511
Acheter neuf
EUR 59,61
Livraison gratuite
Expédition nationale : Etats-Unis
Expédition nationale : Etats-Unis
Quantité disponible : Plus de 20 disponibles
Image d'archives
Lean Six Sigma et Machine Learning pour l'optimisation (Paperback)
impression à la demandeVendeur : Grand Eagle Retail, Bensenville, IL, Etats-Unis
Évaluation du vendeur 5 sur 5 étoiles
Paperback. Etat : 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. N° de réf. du vendeur 9786630125511
Acheter neuf
EUR 59,78
Livraison gratuite
Expédition nationale : Etats-Unis
Expédition nationale : Etats-Unis
Quantité disponible : 1 disponible(s)
Image d'archives
Lean Six Sigma et Machine Learning pour l'optimisation (French Edition)
Edité par
Editions Notre Savoir, 2026
ISBN 10 : 6630125517
ISBN 13 : 9786630125511
Neuf
Couverture souple
Vendeur : California Books, Miami, FL, Etats-Unis
Évaluation du vendeur 5 sur 5 étoiles
Etat : New. N° de réf. du vendeur I-9786630125511
Acheter neuf
EUR 59,78
Livraison gratuite
Expédition nationale : Etats-Unis
Expédition nationale : Etats-Unis
Quantité disponible : Plus de 20 disponibles
Image d'archives
Lean Six Sigma et Machine Learning pour l'optimisation
Vendeur : PBShop.store UK, Fairford, GLOS, Royaume-Uni
Évaluation du vendeur 5 sur 5 étoiles
PAP. Etat : New. New Book. Shipped from UK. Established seller since 2000. N° de réf. du vendeur L2-9786630125511
Acheter neuf
EUR 57,94
Expédition à EUR 3,83
Expédition depuis Royaume-Uni vers Etats-Unis
Expédition depuis Royaume-Uni vers Etats-Unis
Quantité disponible : Plus de 20 disponibles
Image d'archives
Lean Six Sigma et Machine Learning pour l'optimisation
Edité par
Editions Notre Savoir Jun 2026, 2026
ISBN 10 : 6630125517
ISBN 13 : 9786630125511
Neuf
Taschenbuch
Vendeur : BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, Allemagne
Évaluation du vendeur 5 sur 5 étoiles
Taschenbuch. Etat : 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. N° de réf. du vendeur 9786630125511
Acheter neuf
EUR 48,90
Expédition à EUR 23
Expédition depuis Allemagne vers Etats-Unis
Expédition depuis Allemagne vers Etats-Unis
Quantité disponible : 2 disponible(s)
Image fournie par le vendeur
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
impression à la demandeVendeur : AHA-BUCH GmbH, Einbeck, Allemagne
Évaluation du vendeur 5 sur 5 étoiles
Taschenbuch. Etat : 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). N° de réf. du vendeur 9786630125511
Acheter neuf
EUR 51,60
Expédition à EUR 35
Expédition depuis Allemagne vers Etats-Unis
Expédition depuis Allemagne vers Etats-Unis
Quantité disponible : 2 disponible(s)
Image d'archives
Lean Six Sigma et Machine Learning pour l'optimisation (Paperback)
impression à la demandeVendeur : CitiRetail, Stevenage, Royaume-Uni
Évaluation du vendeur 5 sur 5 étoiles
Paperback. Etat : 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. N° de réf. du vendeur 9786630125511
Acheter neuf
EUR 63,01
Expédition à EUR 43,13
Expédition depuis Royaume-Uni vers Etats-Unis
Expédition depuis Royaume-Uni vers Etats-Unis
Quantité disponible : 1 disponible(s)
Image d'archives
Lean Six Sigma et Machine Learning pour l'optimisation
Edité par
Editions Notre Savoir Jun 2026, 2026
ISBN 10 : 6630125517
ISBN 13 : 9786630125511
Neuf
Taschenbuch
Vendeur : buchversandmimpf2000, Emtmannsberg, BAYE, Allemagne
Évaluation du vendeur 5 sur 5 étoiles
Taschenbuch. Etat : 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. N° de réf. du vendeur 9786630125511
Acheter neuf
EUR 48,90
Expédition à EUR 60
Expédition depuis Allemagne vers Etats-Unis
Expédition depuis Allemagne vers Etats-Unis
Quantité disponible : 1 disponible(s)
Image fournie par le vendeur
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
Vendeur : preigu, Osnabrück, Allemagne
Évaluation du vendeur 5 sur 5 étoiles
Taschenbuch. Etat : 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. N° de réf. du vendeur 135609872
Acheter neuf
EUR 43,30
Expédition à EUR 70
Expédition depuis Allemagne vers Etats-Unis
Expédition depuis Allemagne vers Etats-Unis
Quantité disponible : 5 disponible(s)