Real Time Optimization: Classification and Assessment
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
Summary The Real-Time Optimization (RTO) Technical Interest Group (TIG) has endeavored to clarify the value of real-time optimization projects. RTO projects involve three critical components: People, Process, and Technology. Understanding these components will help establish a framework for determining the value of RTO projects. In this paper, the Technology component is closely examined and categorized. Levels within each Technology category are illustrated by use of spider diagrams, which help decision makers understand the current status of operations and the future RTO status. The perception of uncertain value has been one of the critical issues in adopting RTO systems in our industry. Therefore, case histories are reviewed to demonstrate the impact of RTO projects. To assist RTO project promotion further, we list lessons learned, suggest a justification process, and present a simple example of an economic-evaluation process. Introduction Industry case histories demonstrate many types of benefits from RTO such as production-volume increase; better return on investment (ROI); higher decision quality; health, safety, and environment (HSE) improvements; and operational expenditures (OPEX) reduction. However, they have lacked systematic project-evaluation processes for justification. Today, promoting RTO is, in essence, a competition for capital within a company. The project teams that recognize this fact and then clearly outline the purpose, benefits, costs (direct or indirect), and strategic business alignment of their proposals will be in an advantageous position to secure funding. Because RTO is still an emerging discipline, classifying projects of this nature is still dependent on an individual's point of view. This paper provides classification of RTO to help provide a common vocabulary to address a multitude of issues.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| 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