Genetic‐based multi‐objective optimization of alkylation process by a hybrid model of statistical and artificial intelligence approaches
Notice bibliographique
Résumé
Abstract The purpose of this research is to find the optimal operating point in the production process of the cumene. Therefore, the production process was optimized through statistical and genetic algorithm‐based methods. The performance of an alkylation reactor was optimized through maximizing the yield of cumene production. Response surface methodology (RSM) with design type of central composite was applied for design of experiment, modelling, and optimizing the process. The analysis of variance (ANOVA) was performed for finding the important operative parameters as well as their effects. The effects of three parameters including temperature, reactor length, and pressure on the alkylation process were investigated. Further, two types of feed‐forward neural network were applied to model the alkylation reactor. To develop the neural network model, leave‐one‐out method was used. The best prediction performance belonged to a fitting network with 2 and 8 neurons in the hidden layer, respectively. This model was used for optimizing the performance of the alkylation reactor. The statistical and artificial intelligence systems were capable of prediction of cumene production yield in different conditions with R 2 of 0.9098 and 0.9986, respectively. Genetic algorithm‐based optimization was performed by the developed neural network model. The maximum accessible value of cumene production yield was 0.7771, which can be achieved when the temperature, length of reactor, and column pressure are 160°C, 2 m, and 4000 kPa, respectively. By finding the optimal operating point in the cumene production process, capital cost, energy consumption, and other operating costs can be significantly 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 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 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 ».