Dynamic synergistic modelling for cobalt removal process in zinc hydrometallurgy and the research of parameter estimation based on unscented Kalman filter
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 The cobalt removal process with arsenic salt of zinc hydrometallurgy has serious non‐linearity, uncertainty, and mutual coupling. Its accurate dynamic modelling has always been a challenging problem. On the basis of in‐depth analysis of cobalt removal process and reaction mechanism, considering the cascade relationship between the reactors, a dynamic synergistic continuously stirred tank reactor (SCSTR) mechanism model of the cobalt removal process was constructed. Aiming at the unknown parameters in the SCSTR model, the idea of the Kalman filter was introduced, and the unknown parameters were characterized as unknown states; a method of estimating the unknown model parameters was developed using the augmented state equation and the unscented Kalman filter (UKF) algorithm. Simulation results with industrial data of a zinc smeltery showed that the parameter estimation model has high accuracy, and the estimated parameters can be used in the SCSTR model. An intensive simulation analysis of the dynamic characteristics of the complete SCSTR model was carried out to verify the influence of different input disturbances on the output ion concentration of each reactor, which demonstrated the excellent dynamic performance and potential of the model. Ultimately, according to the industrial calculation analysis, the SCSTR model has a guiding effect on the addition of zinc powder in the reactors, overcomes the blindness in the production process, and provides a momentous basis for the optimization control of the cobalt removal 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 | 0,001 | 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 découle