MétaCan
Menu
Retour à la cohorte
Enregistrement W2477285746 · doi:10.1016/j.ifacol.2015.09.120

Establishing Multivariate Specification Regions for Raw Materials using SMB-PLS

2015· article· en· W2477285746 sur OpenAlexaff
Kamran Azari, Julien Lauzon‐Gauthier, Jayson Tessier, Carl Duchesne

Notice bibliographique

RevueIFAC-PapersOnLine · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueMineral Processing and Grinding
Établissements canadiensAlcoa (Canada)Université Laval
Organismes subventionnairesnon disponible
Mots-clésRaw materialMultivariate statisticsProcess (computing)Process engineeringComputer scienceBlock (permutation group theory)Raw dataQuality (philosophy)Multivariate analysisProduct (mathematics)Final productReliability engineeringMathematicsEngineeringMachine learningChemistry

Résumé

récupéré en direct d'OpenAlex

The new Sequential Multi-block PLS algorithm is applied for establishing multivariate specification regions jointly on multiple types of raw materials. SMB-PLS distinguishes between process variations associated with raw materials from other orthogonal sources of variations such as operating policies. Combinations of raw material properties not compensated by the control schemes are clearly identified. Multivariate specifications are required for these combinations to avoid negative impact on process performance and product quality. The method was applied to an industrial aluminum smelter. Bad combinations of raw material properties were identified and validated against process knowledge.

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)0,008
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,043

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,010
Méta-épidémiologie (sens strict)0,0030,001
Méta-épidémiologie (sens large)0,0010,003
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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 Opus0,127
Tête enseignante GPT0,306
Écart entre enseignants0,179 · 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'étudeExpérimental (laboratoire)
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

Citations17
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIFAC-PapersOnLineMême sujetMineral Processing and GrindingTravaux en français237 207