Can a Computer “Learn” Nonlinear Chromatography?: Experimental Validation of Physics-Based Deep Neural Networks for the Simulation of Chromatographic Processes
Notice bibliographique
Résumé
This article presents the capabilities of machine learning in addressing the challenges related to the accurate description of adsorption equilibria in the design of chromatographic processes. Our previously developed physics-based artificial neural network framework for adsorption and chromatography emulation (PANACHE) approach is extended to simulate the dynamics of chromatographic columns without using adsorption isotherms. The incorporation of underlying conservation laws in the form of a physics-constrained loss function during training enables PANACHE models to infer the complex dynamics of chromatographic columns, even without the knowledge of adsorption isotherms. The isotherm-agnostic abilities of PANACHE models are tested by considering two binary systems with complex adsorption equilibria: 1) mixed Langmuir M 1 -type binary system and 2) Tröger’s base enantiomers on Chiralpak AD that show inflection in the isotherm. For each case study, unique feed-forward deep neural networks with an input layer, five hidden layers, and an output layer are trained for two solute components using the elution data either from simulations or experiments. The results show that PANACHE models are successful in predicting the dynamics of binary solute mixtures in chromatographic columns even in the absence of adsorption isotherms, with prediction errors in the order of 10 –2 in the measure of relative L 2 -norm, for most of the cases. The ability of PANACHE models to infer the adsorption isotherms is also demonstrated.
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 | 0,002 |
| 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 ».