Approximate Maximum Likelihood Parameter Estimation for Nonlinear Dynamic Models: Application to a Laboratory-Scale Nylon Reactor Model
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
In this article, parameters and states of a laboratory-scale nylon 612 reactor model (Schaffer et al. Ind. Eng. Chem. Res. 2003, 42, 2946−2959; Zheng et al. Ind. Eng. Chem. Res. 2005, 44, 2675−2686; and Campbell, D. A. Ph.D. Thesis, Department of Mathematics and Statistics, McGill University, Montreal, Quebec, Canada, 2007) are estimated using a novel approximate maximum likelihood estimation (AMLE) algorithm (Poyton et al. Comput. Chem. Eng. 2006, 30, 698−708; Varziri et al. Comput. Chem. Eng., published online, http://dx.doi.org/10.1016/j.compchemeng.2008.04.005; Varziri et al. Ind. Eng. Chem. Res. 2008, 47, 380−393; and Varziri et al. Can. J. Chem. Eng., accepted for publication). AMLE is a method for estimating the states and parameters in differential equation models with possible modeling imperfections. The nylon reactor model equations are represented by stochastic differential equations (SDEs) to account for any modeling errors or unknown process disturbances that enter the reactor system during experimental runs. In this article, we demonstrate that AMLE can address difficulties that frequently arise when estimating parameters in nonlinear continuous-time dynamic models of industrial processes. Among these difficulties are different types of measured responses with different levels of measurement noise, measurements taken at irregularly spaced sampling times, unknown initial conditions for some state variables, unmeasured state variables, and unknown disturbances that enter the process and influence its future behavior.
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 | 0,000 |
| 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 découle