Documents dont l'auteur est "Ragab, Ahmed"
Monter d'un niveau
Aide
Ce graphique trace les liens entre tous les collaborateurs des publications de {} figurant sur cette page.
Chaque lien représente une collaboration sur la même publication. L'épaisseur du lien représente le nombre de collaborations.
Utilisez la molette de la souris ou les gestes de défilement pour zoomer à l'intérieur du graphique.
Vous pouvez cliquer sur les noeuds et les liens pour les mettre en surbrillance et déplacer les noeuds en les glissant.
Enfoncez la touche "Ctrl" ou la touche "⌘" en cliquant sur les noeuds pour ouvrir la liste des publications de cette personne.
Aide
Un nuage de mots est une représentation visuelle des mots les plus fréquemment utilisés dans un texte ou un ensemble de textes. Les mots apparaissent dans différentes tailles, la taille de chaque mot étant proportionnelle à sa fréquence d'apparition dans le texte. Plus un mot est utilisé fréquemment, plus il apparaît en grand dans le nuage de mots. Cette technique permet de visualiser rapidement les thèmes et les concepts les plus importants d'un texte.
Dans le contexte de cette page, le nuage de mots a été généré à partir des publications de l'auteur {}. Les mots présents dans ce nuage proviennent des titres, résumés et mots-clés des articles et travaux de recherche de cet auteur. En analysant ce nuage de mots, vous pouvez obtenir un aperçu des sujets et des domaines de recherche les plus récurrents et significatifs dans les travaux de cet auteur.Le nuage de mots est un outil utile pour identifier les tendances et les thèmes principaux dans un corpus de textes, facilitant ainsi la compréhension et l'analyse des contenus de manière visuelle et intuitive.
A
Abdeldayem, O. M. H. M., Ibrahim, E., Gonzalez Ortiz, D., Dupont, C., Ferràs, D., Ouali, M.-S., Ragab, A., & Kennedy, M. D. (2025). Human-centric ensemble AI for hydrothermal carbonization modeling and hydrochar properties prediction. Journal of environmental chemical engineering, 13(5), 117826 (15 pages). Lien externe
Amer, M. (2024). Design Acceleration and Integration of Linear Controllers and Gate Drivers for Efficient High-Voltage DC-DC Converters [Thèse de doctorat, Polytechnique Montréal]. Disponible
Amer, M., Abuelnasr, A., Ali, M., Hassan, A., Trigui, A., Ragab, A., Sawan, M., & Savaria, Y. (2024). Enhanced dynamic regulation in Buck Converters: integrating input-voltage feedforward with voltage-mode feedback. IEEE Access, 12, 7310-7328. Disponible
Abuelnasr, A., Amer, M., Ali, M., Hassan, A., Gosselin, B., Ragab, A. R. A., & Savaria, Y. (2023). Delay Mismatch Insensitive Dead Time Generator for High-Voltage Switched-Mode Power Amplifiers. IEEE Transactions on Circuits and Systems I: Regular Papers, 70(4), 1555-1565. Disponible
B
Braide, D., Ibrahim, E., Panaritis, C., Li, L. Z., Ntumba Kabongo, E., Lavigne, L., Abanobi, E. A., Ragab, A., Patience, G. S., & Boffito, D. C. (2025). Ultrasound accelerates zeolite synthesis: Predictive modelling via machine learning. Journal of environmental chemical engineering, 13(6), 120180 (16 pages). Lien externe
E
Elhefnawy, M., Ragab, A., Pelletier, N., Lussier, J.-M., & Amazouz, M. (2026). A stratified approach for heterogeneous data fusion using polygon generation, deep learning and ensemble modeling. Ecological Informatics, 96, 103824. Lien externe
Elhefnawy, M., Ouali, M.-S., Ragab, A., & Amazouz, M. (2023). Fusion of heterogeneous industrial data using polygon generation & deep learning. Results in Engineering, 19, 11 pages. Disponible
Elhefnawy, M., Ouali, M.-S., & Ragab, A. (2022). Multi-output regression using polygon generation and conditional generative adversarial networks. Expert Systems With Applications, 203, 14 pages. Lien externe
H
Hosseini Ardali, S. M., Ragab, A., Amazouz, M., & Yacout, S. (mai 2024). AI-Assisted Acceleration of Catalytic Materials Design/Discovery: Towards achieving net-zero emissions [Communication écrite]. 2024 IISE annual Conference & Expo, Montreal, Qc, Canada. Lien externe
I
Ibrahim, E., Ragab, A., Benali, M., Ajao, O., Boffito, D. C., & Dagdougui, H. (2026). Accelerated green material and solvent discovery with chemistry- and physics-guided generative AI. Artificial Intelligence Chemistry, 4(1), 100106 (13 pages). Lien externe
Ibrahim, E. (2026). Human-Centric, Causal and Physics-Guided AI for Designing and Optimizing Sustainable Industrial Processes and Materials [Thèse de doctorat, Polytechnique Montréal]. Disponible
Ibrahim, E., Ragab, A., Ali, M., Dagdougui, H., & Boffito, D. C. (2025). Simulate intelligently: Causal incremental reinforcement learning for streamlined industrial chemical process design optimization. Journal of environmental chemical engineering, 13(6), 120167 (22 pages). Lien externe
Ibrahim, E., Ragab, A., Amer, M., Ajao, O., Benali, M., Boffito, D. C., Dagdougui, H., & Amazouz, M. (2025). Ensemble machine learning to accelerate industrial decarbonization: Prediction of Hansen solubility parameters for streamlined chemical solvent selection. Digital Chemical Engineering, 14, 100207 (26 pages). Disponible
Ibrahim, E., Ragab, A., Ali, M., Dagdougui, H., Boffito, D. C., & Amazouz, M. (juillet 2024). Learn-to-design : reinforcement learning-assisted chemical process optimization [Communication écrite]. 10th International Conference on Foundations of Computer Aid Process Design (FOCAPD 2024), Breckenridge, Colorado, USA. Disponible
Ibrahim, E., Ragab, A., Dagdougui, H., Boffito, D. C., & Amazouz, M. (2024). Carbon capture, utilization and sequestration systems design and operation optimization: Assessment and perspectives of artificial intelligence opportunities. Science of the Total Environment, 917, 170085 (32 pages). Lien externe
M
Murray, B. A., Coops, N. C., White, J. C., Dick, A., Barbeito, I., & Ragab, A. (2025). Individual tree species prediction using airborne laser scanning data and derived point-cloud metrics within a dual-stream deep learning approach. International Journal of Applied Earth Observation and Geoinformation, 144, 104877 (14 pages). Disponible
N
Nadim, K., Ragab, A., & Ghezzaz, H. (2026). Multi agent deep reinforcement learning for supervising local controllers in energy-intensive industrial processes. Control Engineering Practice, 170, 106794 (17 pages). Lien externe
Nadim, K., Ragab, A., Ghezzaz, H., & Ouali, M.-S. (2026). Reliable Dynamic Causality Analysis for Efficient Prescriptive Maintenance of Degraded Industrial Equipment. Journal of Loss Prevention in the Process Industries, 105922. Lien externe
Nadim, K. (2024). Dynamic Causality Analysis Approaches for Improved Industrial Systems Operational Performance [Thèse de doctorat, Polytechnique Montréal]. Disponible
S
Seely, H., Murray, B., Cao, Y., & Ragab, A. (2026). Deep learning with airborne laser scanning data for forest inventories [Ensemble de données]. Lien externe
Seely, H., Coops, N. C., White, J. M., Montwé, D., & Ragab, A. (2026). Addressing the small data problem in forestry: self-supervised learning for aboveground biomass estimation. Forestry An International Journal of Forest Research, 99(2), 19 pages. Lien externe
Seely, H., Coops, N. C., White, J. C., Montwé, D., & Ragab, A. (2025). Forest aboveground biomass estimation using deep learning data fusion of ALS, multispectral, and topographic data. International Journal of Remote Sensing, 1-39. Lien externe