MétaCan
Menu
Retour à la cohorte
Enregistrement W3015331917 · doi:10.1002/cjce.23758

Optimization and control of vertical double wall dividing‐wall column for separating a quaternary system

2020· article· en· W3015331917 sur OpenAlexvenueno aff
Honghai Wang, Qi Zhou, Weiyi Su, Pengyu Ji, Zhao Wang, Chunli Li

Notice bibliographique

RevueThe Canadian Journal of Chemical Engineering · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueProcess Optimization and Integration
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésControllabilityCascadeControl theory (sociology)Sensitivity (control systems)Volumetric flow rateSteady state (chemistry)Separation (statistics)Settling timeMathematicsChemistryMaterials scienceAnalytical Chemistry (journal)ChromatographyMechanicsComputer scienceControl (management)EngineeringPhysicsStep responseControl engineering

Résumé

récupéré en direct d'OpenAlex

Abstract In this paper, the new separation structure (VDWDWC) for separation of a quaternary system is proposed for the first time, which has lower energy consumption and higher separation efficiency than the traditional three‐column and Kaibel column. Sensitivity analysis and response surface optimization (RSM) are applied to the structural design and parameter optimization of VDWDWC. In addition, the dynamic control of VDWDWC is also investigated. Specifically, the performances of temperature‐composition cascade control (TC‐CC) with and without feed‐forward ratio control are compared and analyzed. The results suggested that the TC‐CC structure can achieve outstanding controllability for VDWDWC, when the feed flow rate and feed composition is disturbed. In particular, TC‐CC with feed‐forward ratio control has better dynamic response: the maximum deviation was reduced by 53.7%, and the settling times are significantly shortened, while the steady state deviation of product purity was slightly reduced.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,188
Écart entre enseignants0,177 · 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

Citations9
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

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