Kinetic modelling: Regression and validation stages, a compulsory tandem for kinetic model assessment
Notice bibliographique
Résumé
Abstract The development of robust and reliable kinetic models is vital to build safe, eco‐friendly, and cost‐competitive chemical processes. Establishing kinetic models for complex chemical systems such as biomass valorization is cumbersome because the kinetic modeller must test different models and fit several experimental observables (or concentrations). Usually, in chemical reaction engineering, kinetic model assessment is based solely on the regression stage outputs. The implementation of a validation stage can aid in choosing the most reliable kinetic models, essentially in the case of complex chemical systems. We studied the solvolysis of 5‐hydroxymethylfurfural (5‐HMF) to butyl levulinate (BL) as a model reaction constituting several consecutive and parallel reaction steps. From an existing kinetic model, we created 60 synthetic runs in batch conditions. In the first part, we tested four different models with 5 degrees of noise, and we carried out the modelling on the 60 synthetic runs. In the second part, two types of holdout methods were evaluated. In the last part, cross‐validation, namely the k‐fold method, was used. We found that the 10‐fold method allowed more efficient selection results even when the noise level was high. Besides, k‐fold allows for not scarifying experimental runs and selecting the most reliable 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.
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 ».