Multi‐model statistical process monitoring and diagnosis of a sequencing batch reactor
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
Biological processes exhibit different behavior depending on the influent loads, temperature, microorganism activity, and so on. It has been shown that a combination of several models can provide a suitable approach to model such processes. In the present study, we developed a multiple statistical model approach for the monitoring of biological batch processes. The proposed method consists of four main components: (1) multiway principal component analysis (MPCA) to reduce the dimensionality of data and to remove collinearity; (2) multiple models with a posterior probability for modeling different operating regions; (3) local batch monitoring by the T(2)- and Q-statistics of the specific local model; and (4) a new discrimination measure (DM) to identify when the system has shifted to a new operating condition. Under this approach, local monitoring by multiple models divides the entire historical data set into separate regions, which are then modeled separately. Then, these local regions can be supervised separately, leading to more effective batch monitoring. The proposed method is applied to a pilot-scale 80-L sequencing batch reactor (SBR) for biological wastewater treatment. This SBR is characterized by nonstationary, batchwise, and multiple operation modes. The results obtained for the pilot-scale SBR indicate that the proposed method has the ability to model multiple operating conditions, to identify various operating regions, and also to determine whether the biosystem has shifted to a new operating condition. Our findings show that the local monitoring approach can give more reliable and higher resolution monitoring results than the global model.
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