Combining design of experiments, machine learning, and principal component analysis for predicting energy consumption and product quality of a natural gas processing plant
Notice bibliographique
Résumé
Summary Processing natural gas, as a widely used source of energy in our life, is imperative to eliminate the impurities in order to make it consumable. So, appropriate modeling of different units in a real gas processing plant (GPP) is an essential research field. Moreover, high‐dimensional data, with probably unnecessary information, gathered from a real application may lead to complicated models. As a result, the original dataset, obtained through a three‐level design of experiments, should be refined to achieve the most effective observations in a lower dimension vector space. On the other hand, the original dataset needs to be normalized to a standard normal distribution in order to tune the effects of all the variables on the system operation. In this study a radial basis function‐neural network (RBF‐NN) is designed to model the total consumed energy in separation, sweetening, and dehydration units and also the water content in the refined gas in a typical GPP, using a reduced dimension dataset achieved by applying principal component analysis (PCA) on the normalized data. The proposed procedure is evaluated through some well‐known and standard criteria such as error relative deviation, root mean square error, the percentage of the average absolute relative deviation %AARD, sum of squared error, standard deviation, and correlation factor ( R 2 ). Simulation and analytical results demonstrate that the designed PCA‐RBF‐NN procedure can precisely model the dynamics of energy consumption and the final water content in a typical GPP with the confidence level of 98.6% through six principal components achieved by PCA technique. Furthermore, small values of the error measurements are obtained while using the developed RBF‐NN model.
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».