MétaCan
Menu
Retour à la cohorte
Enregistrement W2805817685 · doi:10.1002/cjce.23250

Recent progress and challenges in process optimization: Review of recent work at ECUST

2018· article· en· W2805817685 sur OpenAlexvenueno aff
Xiaoqiang Wang, Dong Dong Han, Yuefeng Lin, Wenli Du

Notice bibliographique

RevueThe Canadian Journal of Chemical Engineering · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueProcess Optimization and Integration
Établissements canadiensnon disponible
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésProcess (computing)Process optimizationComputer scienceChemical processProcess controlManagement scienceWork in processAutomationHierarchyProcess developmentWork (physics)Biochemical engineeringRisk analysis (engineering)Operations researchProcess managementEngineeringOperations managementBusinessMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Abstract Optimization is an eternal topic in chemical processes due to limited resources and various safety and environment constraints. The highly intense market competition has led to the realistic significance of optimizing chemical processes. Chemical processes in China have achieved considerable development in recent years, and new challenges to improve operations have emerged along with this development. This paper briefly overviews recent progress made by our laboratory and existing challenges in chemical process optimization. The process optimization is introduced from the perspective of automation hierarchy and its coordination, followed by our major work with emphasis on real‐time optimization and advanced control layers. Several cases of comprehensive optimization in typical chemical processes are highlighted in this paper. On the basis of these theoretical and industrial practices, challenges in process operations are discussed. Finally, opportunities for future research directions are proposed for high efficient operations and control of chemical processes.

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)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,007
Études des sciences et des technologies0,0000,001
Communication savante0,0030,003
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,026
Tête enseignante GPT0,228
Écart entre enseignants0,202 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations4
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Chemical EngineeringMême sujetProcess Optimization and IntegrationTravaux en français237 207