MétaCan
Menu
Retour à la cohorte
Enregistrement W2138651430 · doi:10.1002/aic.14423

Inventory pinch based, multiscale models for integrated planning and scheduling‐part I: Gasoline blend planning

2014· article· en· W2138651430 sur OpenAlexafffund
Pedro A. Castillo Castillo, Vladimir Mahalec

Notice bibliographique

RevueAIChE Journal · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueProcess Optimization and Integration
Établissements canadiensMcMaster University
Organismes subventionnairesOntario Research FoundationMcMaster University
Mots-clésScheduling (production processes)Mathematical optimizationInteger programmingScheduleNonlinear programmingComputationComputer scienceLinear programmingSwingNonlinear systemInteger (computer science)Operations researchMathematicsAlgorithmEngineering

Résumé

récupéré en direct d'OpenAlex

A two‐level algorithm to compute blend plans that have much smaller number of different recipes, much shorter execution times, and the same cost as the corresponding multiperiod mixed‐integer nonlinear programming is introduced. These plans become a starting point for computation of approximate schedules, which minimize total number of switches in blenders and swing tanks. The algorithm uses inventory pinch points to delineate time periods where optimal blend recipes are likely constant. At the first level, nonlinear blend models are optimized via nonlinear programming. The second level uses fixed recipes (from the first level) in a multiperiod mixed‐integer linear programming to determine optimal production plan followed by an approximate schedule. Approximate schedules computed by the multiperiod inventory pinch algorithm in most of the case studies are slightly better than those computed by global optimizers (ANTIGONE, GloMIQO) while requiring significantly shorter execution times. Such schedules provide constraints for subsequent detailed scheduling in Part II. © 2014 American Institute of Chemical Engineers AIChE J , 60: 2158–2178, 2014

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,258
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations26
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAIChE JournalMême sujetProcess Optimization and IntegrationTravaux en français237 207