Neurocomputing approach for real time optimisation modelling of an industrial process
Notice bibliographique
Résumé
Concerns neural modelling, first of a methanol-water flash system, then of a crude oil distillation column. The models were developed with different combinations of variables. Radial basis function (RBF) net models were tested and taken as the base case. Hierarchically structured net (HSNN) models and simple serial and hybrid net-model configurations were also developed. The RBF nets modelled the methanol-water system well. Different combinations of output variables affect the predictions. Grouping suitable output variables combinations in a model gave better predictions. The most difficult variable to predict was the methanol composition in the vapour outlet stream, y. More complex models were required for better prediction of this variable; results of the simple serial and hybrid ANN show a significant improvement. A hybrid of ANN and first principles model gave the best prediction. Although there was an increase in the total number of nodes, the pitfall of the model is avoided because the nets are separated. Performance of the linear-nonlinear HSNN was highly dependent on using the suitable slave input. The results show potential for further investigation of more complex network models for highly nonlinear variables. For crude oil distillation, standard RBF was able to provide a highly satisfactory model Proper grouping of related variables not only improved predictions, but also allow the complex, multivariable model to be more manageable. Since standard RBF gave sufficiently accurate predictions, developing more complex models was deemed to be unnecessary.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».