Validación de la simulación numérica del flujo bifásico hidrodinámico en sistemas de lecho fluido

Este trabajo tiene como objetivo la mejora en la validación de la simulación numérica del flujo bifásico característico del transporte de lecho fluido, mediante la formulación y desarrollo de un modelo numérico combinado Volúmenes Finitos - Elementos Finitos. Para ello se simula numéricamente el flujo de mezcla sólido-gas en una Cámara de Lecho Fluido, bajo implementación en código COMSOL, cuyos resultados son mejores comparativamente a un modelo basado en el método de Elementos Discretos implementado en código abierto MFIX. El problema fundamental de la modelización matemática del fenómeno de lecho fluido es la irregularidad del dominio, el acoplamiento de las variables en espacio y tiempo y, la no linealidad. En esta investigación se reformula apropiadamente las ecuaciones conservativas del fenómeno, tales que permitan obtener un problema variacional equivalente y solucionable numéricamente. Entonces; se define una ecuación de estado en función de la presión hidrodinámica y la fracción volumétrica de sólidos, quedando desacoplado el sistema en tres sub-problemas, garantizando así la existencia de solución del problema general. Una vez aproximados numéricamente ambos modelos, se comparan los resultados de donde se observa que el modelo materia del presente artículo, verifica de forma más eficaz las condiciones de mezcla óptima, reflejada en la calidad del burbujeo y velocidad de mezcla.

Multi-class sentiment analysis using a hierarchical logistic model tree approach

En este trabajo se propone un nuevo sistema híbrido para el análisis de sentimientos en clase múltiple basado en el uso del diccionario General Inquirer (GI) y un enfoque jerárquico del clasificador Logistic Model Tree (LMT). Este nuevo sistema se compone de tres capas, la capa bipolar (BL) que consta de un LMT (LMT-1) para la clasificación de la polaridad de sentimientos, mientras que la segunda capa es la capa de la Intensidad (IL) y comprende dos LMTs (LMT-2 y LMT3) para detectar por separado tres intensidades de sentimientos positivos y tres intensidades de sentimientos negativos. Sólo en la fase de construcción, la capa de Agrupación (GL) se utiliza para agrupar las instancias positivas y negativas mediante el empleo de 2 k-means, respectivamente. En la fase de Pre-procesamiento, los textos son segmentados por palabras que son etiquetadas, reducidas a sus raíces y sometidas finalmente al diccionario GI con el objetivo de contar y etiquetar sólo los verbos, los sustantivos, los adjetivos y los adverbios con 24 marcadores que se utilizan luego para calcular los vectores de características. En la fase de Clasificación de Sentimientos, los vectores de características se introducen primero al LMT-1, a continuación, se agrupan en GL según la etiqueta de clase, después se etiquetan estos grupos de forma manual, y finalmente las instancias positivas son introducidas a LMT-2 y las instancias negativas a LMT-3. Los tres árboles están entrenados y evaluados usando las bases de datos Movie Review y SenTube con validación cruzada estratificada de 10-pliegues. LMT-1 produce un árbol de 48 hojas y 95 de tamaño, con 90,88% de exactitud, mientras que tanto LMT-2 y LMT-3 proporcionan dos árboles de una hoja y uno de tamaño, con 99,28% y 99,37% de exactitud,respectivamente. Los experimentos muestran que la metodología de clasificación jerárquica propuesta da un mejor rendimiento en comparación con otros enfoques prevalecientes.