Comparison of the Application of Different Machine Learning Outlier Detection Methods on Actual Chemical Process Plant Data
Notice bibliographique
Résumé
Recent advancements in supervised machine learning tools have proven their capability to act as accurate approximation surrogate models for complex the chemical production processes. In this approach, complex unit models are replaced with surrogate models built from actual chemical plant Nevertheless, real data should be handled with caution as it isn't devoid of missing points, outliers, and faulty measurement, and using them without pre-processing could lead to inaccurate prediction models. Moreover, it is well-known that ideal real data without any outliers is almost nonexistence. Hence, cleaning data from outliers is very important step in data-driven modeling development Therefore, in this study different machine learning outlier detection method are implemented and compared to clean actual plant data before they are introduced to the data-driven surrogate models. Outliers are observations that do not follow bulk pattern of the data points and are unlikely observation of data. it is worth mentioning that identifying outliers by simple inspection and visualizing data set is challenging. There are different methods that can be used to identify outliers some of these methods are based on univariate statistical methods (Interquartile Range Method) and the others are based on unsupervised machine learning methods (Local outlier Factor, Isolation Forest, and One Class Support Vector Machine) The performances of these outlier detection methods on understudy data sets, are evaluated using linear regression that is used to predict certain process variables. Results show that removing outliers using these outlier detection
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».