Artificial Neural Networks as Metamodels for the Multiobjective Optimization of Biobutanol Production
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
Process optimization using a physical process or its comprehensive model often requires a significant amount of time. To remedy this problem, metamodels, or surrogate models, can be used. In this investigation, a methodology for optimizing the biobutanol production process via the integrated acetone–butanol–ethanol (ABE) fermentation–membrane pervaporation process is proposed. In this investigation, artificial neural networks (ANNs) were used as metamodels in an attempt to reduce the time needed to circumscribe the Pareto domain and identify the best optimal operating conditions. Two different metamodels were derived from a small set of operating conditions obtained from a uniform experimental design. The first series of metamodels were derived to entirely replace the phenomenological model of the butanol fermentation process by representing the relationship that exists between five operating conditions and four performance criteria. The second series of metamodels were derived to estimate the initial concentrations under steady-state conditions for the eight chemical species within the fermenter in order to expedite convergence of the process simulator. The first series of metamodels led to an accurate Pareto domain and reduced the computation time to circumscribe the Pareto domain by a factor of 2500. The second series of metamodels led to only a small reduction of computation time (a factor of approximately 2) because of the inherently slow convergence of the overall fermentation process.
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