Selection of Parameters for Updating in On-line Models
Notice bibliographique
Résumé
Predictions from dynamic mechanistic models used for process monitoring and control often exhibit sustained offset from process measurements. This offset is caused by imperfect measurements and by model deficiencies that result from simplifying assumptions, unmodeled disturbances, and uncertain parameter estimates. Extended Kalman filter (EKF) state estimation can eliminate offset by on-line updating of a subset of the model parameters. Offset elimination is accomplished by incorporating nonstationary stochastic states in the model equations. A difficult problem faced by practitioners when implementing state estimators is deciding which model parameters to update using on-line measurements. In this article, simple screening tools are developed to aid in updateable parameter selection. These tools are extensions of the relative gain array (RGA), the relative disturbance gain (RDG), and the disturbance condition number (DCN), which have been used in multivariable control applications to determine appropriate manipulated variable/control variable pairings and to examine disturbance effects. The application of these techniques for updateable parameter selection is demonstrated using simulations of a gas-phase polyethylene reactor system. A benefit of these screening tools over past trial-and-error parameter screening practices is that neither tuning of the state estimator nor running of simulations is required. We show that the RGA is an effective tool for determining when problems will arise due to correlated effects of different parameters on model outputs. The RDG is shown to be an effective tool for reducing the number of adjustable parameters when only particular types of disturbances are anticipated. We demonstrate that the DCN can be used to screen out parameter sets that will lead to excessive and physically unrealistic adjustment of model parameters.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».