The utilization of closed‐loop prediction for dynamic real‐time optimization
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
Real‐time optimization (RTO) is a layer within the hierarchical process automation architecture in which economically optimal set‐points are computed for the underlying plant control system. RTO calculations are traditionally based on steady‐state models, but an increasingly global and dynamic marketplace has led to the development of dynamic RTO (DRTO) strategies. Typical DRTO approaches optimize process input trajectories based on the open‐loop response dynamics of the process, with controller set‐point trajectories constructed from the resulting output response. This paper describes recent developments that utilize closed‐loop prediction in the DRTO calculations for MPC regulated processes. A rigorous closed‐loop DRTO problem is formulated as a multilevel dynamic optimization problem due to the inclusion of a sequence of MPC quadratic programming subproblems to generate the closed‐loop response dynamics. A simultaneous solution strategy is applied in which the MPC subproblems are replaced by their equivalent Karush‐Kuhn‐Tucker (KKT) optimality conditions, permitting reformulation of the original problem as a single‐level mathematical program with complementarity constraints (MPCC). Closed‐loop approximation techniques are proposed to reduce the dimension of the DRTO problem while maintaining good closed‐loop prediction accuracy. The performance of the proposed approaches is illustrated using case studies. Conclusions are drawn, and further research directions identified.
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