Input–output pairing accounting for both structure and strength in coupling
Notice bibliographique
Résumé
Input–output pairing is an important problem in control system design and is often performed using the relative gain array (RGA) based approaches. While RGA‐based approaches have been very successful in many applications, they have some well‐known limitations. For example, they may give results which are not consistent with the physical topology since only the strength of interaction between inputs and outputs is taken into account in the RGA. In this work, we propose a new measure for input–output pairing that explores both strength and structural information in input–output coupling. Specifically, we take advantage of the tool of relative degree to measure the physical closeness of input–output pairs and to explore the strength of interaction progressively with respect to the relative degree. We call the proposed measure relative sensitivity array (RSA) between inputs and outputs. Detailed analysis is performed to reveal the relationship between the gain matrix used in the RGA and the sensitivity matrix in the RSA from a mathematical point of view. Since the RSA is an analog of the RGA, many existing pairing guidelines developed for the RGA can be used in the proposed RSA‐based pairing. The proposed RSA‐based approach is applied to two examples. The results show that pairs formed by the proposed approach are consistent with the physical topologies of the processes. Also, the results show that the proposed approach can handle larger systems that cannot be effectively handled by RGA‐based approaches. © 2016 American Institute of Chemical Engineers AIChE J, 63: 1226–1235, 2017
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».