Distributed nonlinear model predictive control for cobalt removal process in zinc hydrometallurgy considering error compensation modelling
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 To address the strong nonlinearity, uncertainty, and mutual coupling in the cobalt removal process of zinc hydrometallurgy, an algorithm based on an improved genetic algorithm (GA) backpropagation (BP) neural network combined with distributed nonlinear model predictive control (NMPC) is proposed. This method was applied to improve the quality of the purification solution and reduce the consumption of zinc powder, overcoming the challenges faced by the current cobalt removal process. First, a synergistic continuously stirred tank reactor (SCSTR) model was constructed for the dynamic cobalt removal process. Second, aiming at the problem that a single SCSTR model has difficulty describing the process accurately, based on the highly nonlinear mapping ability of data‐driven models, a method that organically integrates the SCSTR model and an error compensation model based on the GA‐BP neural network was proposed (GA‐BP‐SCSTR) to provide a more accurate online prediction of the process indicators. Then, a distributed NMPC architecture was developed using the GA‐BP‐SCSTR model, control vector parameterization (CVP) technique, and sequential quadratic programming (SQP) algorithm to achieve the coordinated control of the cobalt removal process. Finally, simulation results of an actual site showed that the prediction accuracy of the GA‐BP‐SCSTR model was higher than those of other models. The proposed predictive control method can maintain the outlet cobalt ion concentrations at the set values while achieving accurate control of the zinc powder addition. This approach can provide guidance for on‐site production and eliminate the blindness of manual experience control.
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 | 0,000 | 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 découle