Experimental methods in chemical engineering: Data processing and data usage in decision‐making
Notice bibliographique
Résumé
Abstract Industrial facilities collect large volumes of data, store them according to prescribed protocols, and then interpret them for process decision‐making. Several sources and types of error contaminate these data for various reasons, but especially because they come from unreliable or unpredictable instruments. Data (or signal) processing corrects measurement errors to improve fidelity. Here, we highlight decision‐making applications and signal processing methods. To fully appreciate the state‐of‐the‐art, we interviewed plant data experts and software developers in the pulp and paper industry to examine how they apply signal processing methods in the context of decision‐making, including the value of process data, how these data are used, and the major barriers that prevent plants from using data. Process experts clean data thoroughly with basic approaches compared to the advanced techniques available in the recent literature. The interviews demonstrate that decisions in industry are primarily based on steady‐state process operating data. Challenges and barriers that prevent the use of process data to their full potential relate to resource limitations (people, time, and money), an entrenched culture, and access to recent technology. In practice, experts consider, implicitly or explicitly, data that represent the process operating under steady‐state conditions. A plant model that represents steady‐state operations is easier to interpret, is presented in a form that is usable by plant operators, and in this way, better enables decision‐making.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».