Diagnosis of Impurity Levels in a Copolymerization 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
Abstract Summary: This work investigates a fault diagnosis problem in the copolymerization process of styrene and methyl methacrylate (STY/MMA). Two topics are discussed in this paper: the system observability and optimal experimental design (OED) to reduce fault misclassification. Lack of observability has been found to be one of the major causes of misclassification in fault diagnosis, which is not remediable by any means other than including the right measurements necessary for the observability. In this work, the system observability has been studied through simulation analysis. Then, two new experimental design methods are proposed to train the projection pursuit regression (PPR) algorithm for fault diagnosis purpose. The new design methods, referred to as Gaussian probability design and Fuzzy boundary design, are compared to a conventional factorial design, to evaluate their performance for the problem under study. The Gaussian probability design is based on the calculation of the probability of an experimental data point near a class boundary belonging to a specific class. The Fuzzy boundary design is based on a bootstrapping technique used in part for the learning process in developing neural network models. It investigates the insufficiency of training data based on the identification of class boundaries by a group of models, such as PPR models. Both Gaussian probability design and Fuzzy boundary design methods automatically search for the sparseness of the training data, and provide guidelines to include pairs of training data on two sides of a class boundary in the areas where the data density is the lowest. The proposed design methods outperform a conventional factorial design by reducing the fault misclassification more effectively with the same amount of additional training data. Testing data in the process measurement space of temperature vs. conversion. image Testing data in the process measurement space of temperature vs. conversion.
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