Population balance model: Breakage kernel parameter estimation to emulsification data
Notice bibliographique
Résumé
Abstract Many processes used across, for example the cosmetics, pharmaceutical, food and chemical industries involve two‐phase liquid–liquid interactions. The quality of liquid–liquid emulsification systems may be related to the droplet size distribution. The population balance equation (PBE) can be used as a modelling tool when accurate description of the dispersed phase is required. Still, the key challenge with the formulation of predictive population balance (PB) models is experimental determination of unknown breakage and coalescence functions. The complexity in the processes and phenomena governing the changes of dispersed systems makes the derivation of the corresponding models a significant challenge. The present study considers a PBE optimisation problem to allow parameter identification to experimental data. The experimental data are measured for a breakage dominated liquid–liquid emulsification system in a stirred tank. Parameter identifications to the breakage frequency models proposed by Coulaloglou and Tavlarides, [26] Alopaeus et al. [28] and Baldyga and Podgorska [27] are performed. The PBE is numerically solved using the high‐order least‐squares method. Moreover, the nonlinear parameter identification algorithm is based on the minimisation of the residual between the experimental data and the numerical solution in a least‐squares sense. The problem has been implemented in the programming language MATLAB where the fmincon function has been used. Parameter estimation can sometimes be straight forward, for instance when the process and formulated model are relatively simple and sufficient data are available. These conditions are not always met, which may result in difficulties in determining accurate parameter values. A thorough statistical analysis is required in order to explore the actual accuracy of the estimated parameter values. The present study presents a relative comprehensive statistical study of the fit compared to what has been provided in previous PBE parameter estimation studies. Moreover, the optimisation algorithm and challenges associated with parameter estimation are discussed. The present study revealed, by systematically assessing the problem formulation and the fit, that a better understanding of the model and more successful parameter estimation can be achieved, or a limitation of the model is unveiled.
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 | 0,000 | 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 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 ».