Within-Batch and Batch-to-Batch Inferential-Adaptive Control of Semibatch Reactors: A Partial Least Squares Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
An inferential control strategy that combines within-batch information from process variable trajectories and information from prior batches to control multivariate product quality properties in semibatch reactors is presented. The approach extends mid-course correction (MCC) strategies by including batch-to-batch information in the controllers and an adaptive partial least squares (PLS) approach to update the models from batch to batch. As with other MCC approaches, the scheme retains the “no-control region” concept where control is taken at various stages during the batch only if the projected error in the final quality is deemed to be statistically significant. Only data on readily available process measurements (e.g., temperatures) throughout the batch, plus a measurement on a variable related to quality (e.g., particle size) at one or more discrete times during the batch, are required to achieve very precise control of the final product quality (e.g., particle-size distribution, PSD). Latent variable models based on PLS are a key element in the approach. They are able to extract information efficiently from the large number of highly correlated measurements on the process variable trajectories and relate it to high-dimensional output measurements on product quality (e.g., PSD) by projecting this information into low-dimensional latent variable spaces. The methodology is applied to the control of PSD in emulsion polymerization. The problem of regulation about a fixed set-point PSD in the face of disturbances and the problem of achieving new set-point PSDs are both illustrated.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle