Using scientific machine learning to develop universal differential equation for multicomponent adsorption separation systems
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
Abstract Universal differential equations are a concept in scientific machine learning that leverages the potential of the universal approximator theorem and the physical knowledge of a given system. Creating this level of hybridization within a stiff partial differential equation system is a challenge. On the other hand, adsorption phenomenological models have sink/source terms that describe the adsorption equilibrium through a well‐known simplified model (e.g., Langmuir; Sips; and Brunauer, Emmet, Teller [BET]). These suitable mechanistic assumptions are identified through experiments, providing the parameters of the sink/source model. However, these mechanistic assumptions are a simplification of the system phenomenology. Therefore, the resulting model is limited by its premises. In this scenario, the universal ordinary differential equations (UODE) is presented as an approach that conciliates the potential of artificial neural networks to learn given phenomena without conceptual simplifications. On the other hand, keeping into consideration the system physics. This work proposes a UODE system to solve the multicomponent separation by adsorption in a fixed bed column. Experimental data is used to identify the hybrid model. The required amount of data used in the model identification demonstrates that hybrid models can use a few data points to precisely describe the system. Furthermore, the obtained model can describe competitive adsorption with higher precision than the Langmuir 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.
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