Modelling and optimization of a multistage flash desalination process
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
The multistage flash (MSF) desalination process is a widespread and vitally important process for satisfying the needs of citizens of arid land such as in the Middle East Countries. MSF processes are large and complex plants, and a number of simplifying assumptions must be used in order to provide first principle models for simulating and predicting their operation. This article describes the development and application of artificial neural networks (ANNs) as a modelling technique for simulating, analyzing, and optimizing MSF processes. Real operational data is obtained from an existing MSF plant during two modes of operation: a summer mode and a winter mode. ANNs based on a feed-forward architecture and trained by the backpropagation algorithm with momentum and a variable learning rate are developed. The networks can predict different plant performance outputs including the distilled water produced and top brine temperature. The inputs to the ANNs are based on engineering know-how of the operation of the plant. The predictions of the prepared networks were compared to actual measurements. Good agreements were obtained. In addition to their use as a training tool for new operators and for decision-making, the prepared networks were used to optimize the performance of the plant. A composite objective function that consists of the different plant performance measures was used in conjunction with the prepared ANNs within an optimization model. The ANN model serves as an accurate and more convenient replacement of first principle models or plant data. The decision variables over which optimization was carried out are subjected to constraints to ensure that maximum and minimum bounds are adhered to as well as safety considerations.
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