Development of an Intelligent System for Monitoring and Diagnosis of the Carbon Dioxide Capture 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
The technology of amine-based carbon dioxide (CO2) capture has been widely adopted for reducing CO2 emissions and mitigating global warming. The primary research objective in the field of post-combustion CO2 capture process system is to improve effectiveness and efficiency of the process. Extensive literature review of the research showed that the dominant approach was to investigate the behaviors of the aqueous amine solvents for enchancing CO2 capture efficiency. As the operation of an amine-based CO2 capture system is complicated and involves monitoring over one hundred process parameters and careful manipulation of numerous valves and pumps, automated monitoring and process control can be a fruitful approach to enhance efficiency of the CO2 capture process system. In this study, artificial intelligence techniques were applied for development of a knowledge-based expert system that effectively monitors and controls the CO2 capture process system so as to enhance CO2 capture efficiency. The Knowledge-Based System for Carbon Dioxide Capture (KBSCDC) was implemented with DeltaV Simulate (trademark of Emerson Corp., USA). DeltaV Simulate provides control utilities and algorithms which support the configuration of control strategies in modular components. The KBSCDC can conduct real-time monitoring and diagnosis, as well as suggest remedies for any abnormality detected. Also, the control strategies applied to the control devices of the process are simulated in KBSCDC. The expert system enhances performance and efficiency of the CO2 capture process system because it supports automated diagnosis of the system should any abnormal conditions occur. In this way, costly downtime and maintenance are avoided.
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