MétaCan
Menu
Retour à la cohorte
Enregistrement W2376801506

A dynamic optimization control approach of life cycle energy saving for heat exchanger network with bypasses

2013· article· en· W2376801506 sur OpenAlexaff
Sun Lin

Notice bibliographique

RevueHuagong xuebao · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueHeat Transfer and Optimization
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésHeat exchangerControl theory (sociology)EngineeringComputer scienceMathematical optimizationProcess engineeringControl (management)Mechanical engineeringMathematics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

In order to achieve sustainable energy saving of heat exchanger network in the life cycle,bypasses were set in the network to increase its control degree of freedom,while a certain margin was designed to provide operating space of optimal control.To better use bypass adjustment and margin of operating space,an optimal control approach method based on dynamic model of heat exchanger network was presented and combined with existing conventional control loop,not only expanding the feasible region of optimal control,but also meeting the accuracy requirements of the original conventional control loop.The cumulative cost minimization of heat exchanger network within a certain period was considered as the objective function,while considering the impact of disturbances on heat exchanger network.To meet the process conditions,the best bypass opening in the life cycle was solved in order to achieve sustained energy saving of heat exchanger network.Closed-loop correction,iterative and rolling implementation were adopted,and optimization was based on actual conditions.A global sub-optimal solution could only be arrived at every turn.However,the actual control result could achieve the optimum.Finally,a refinery's crude oil heat exchanger network was treated as the specific study object,illustrating the effectiveness and application prospect of the presented method.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: aucune
Score de désaccord entre enseignants0,931
Score d'incertitude au seuil0,592

Scores Codex et Gemma par catégorie

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

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 Opus0,006
Tête enseignante GPT0,179
Écart entre enseignants0,173 · 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 tête enseignante, 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

Citations3
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHuagong xuebaoMême sujetHeat Transfer and OptimizationTravaux en français237 207