MétaCan
Menu
Retour à la cohorte
Enregistrement W2579244013 · doi:10.1002/aic.15644

A game theoretic framework for petroleum refinery strategic production planning

2017· article· en· W2579244013 sur OpenAlexafffund
Philip Tominac, Vladimir Mahalec

Notice bibliographique

RevueAIChE Journal · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueProcess Optimization and Integration
Établissements canadiensMcMaster University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaGovernment of Ontario
Mots-clésProduction planningCournot competitionGame theoryOligopolyNash equilibriumProfit (economics)StrategyProduction (economics)RefineryOil refineryStrategic planningComputer scienceOperations researchMathematical economicsEconomicsMicroeconomicsEngineering

Résumé

récupéré en direct d'OpenAlex

A game theoretic framework for strategic refinery production planning is presented in which strategic planning problems are formulated as non‐cooperative potential games whose solutions represent Nash equilibria. The potential game model takes the form of a nonconvex nonlinear program (NLP) and we examine an additional scenario extending this to a nonconvex mixed integer nonlinear program (MINLP). Tactical planning decisions are linked to strategic decision processes through a potential game structure derived from a Cournot oligopoly‐type game in which multiple crude oil refineries supply several markets. Two scenarios are presented which illustrate the utility of the game theoretic framework in the analysis of production planning problems in competitive scenarios. Solutions to these problems are interpreted as mutual best responses yielding maximum profit in the competitive planning game. The resulting production planning decisions are rational in a game theoretic sense and are robust to deviations in competitor strategies. © 2017 American Institute of Chemical Engineers AIChE J, 63: 2751–2763, 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 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)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,003
Communication savante0,0030,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,039
Tête enseignante GPT0,299
Écart entre enseignants0,260 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAIChE JournalMême sujetProcess Optimization and IntegrationTravaux en français237 207