MétaCan
Menu
Retour à la cohorte
Enregistrement W4386246366 · doi:10.24908/iqurcp16677

Bioprocess Modelling, Intensification, and Control

2023· article· en· W4386246366 sur OpenAlexvenueno aff
Gabriel McQueen, Nicolas Hudon

Notice bibliographique

RevueInquiry Queen s Undergraduate Research Conference Proceedings · 2023
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueViral Infectious Diseases and Gene Expression in Insects
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBioprocessBiochemical engineeringProcess (computing)Leverage (statistics)Process controlRisk analysis (engineering)System dynamicsComputer scienceEngineeringSystems engineeringProcess engineering

Résumé

récupéré en direct d'OpenAlex

Chemical bio-process intensification, driven by the need for sustainability and cost-effectiveness, has gained significant attention. This study explores dynamic intensification (DI), a strategy to enhance efficiency by modifying system dynamics, operation, and control. Two key approaches are investigated: intensification by design, involving deliberate changes to physical and chemical aspects, and intensification by control, optimizing process parameters and feedback loops. The research focuses on the Optimal Periodic Control (OPC) method, dating back to the 1960s but now revisited with modern technology. To investigate the feasibility and effectiveness of dynamic intensification, a comprehensive methodology encompassing modeling, optimization, linearization, dynamic intensification, and control was designed. This methodology ensures systematic and standardized testing of DI in various bioprocesses within the industry. Through rigorous case studies, such as Activated Sludge Model No. 1 (ASM1) and an antibiotic perfusion bioreactor, the study demonstrates the practical benefits of dynamic intensification, including enhanced process efficiency and control. Applying model predictive control (MPC) further improves process efficiency, and the intensified systems are thoroughly compared to their respective base cases. The insights gained from this research contribute to advancements in bioprocessing technologies across industries, paving the way for sustainable and efficient engineering practices. Engineers can leverage this knowledge and the developed methodology to optimize chemical bioprocesses through innovative intensification strategies, ultimately promoting more eco-friendly and economical bio-processes. The study's comprehensive methodology offers valuable insights and understanding for bioprocess engineers seeking to enhance system efficiency and contribute to a greener future.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,083
Tête enseignante GPT0,364
Écart entre enseignants0,282 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInquiry Queen s Undergraduate Research Conference ProceedingsMême sujetViral Infectious Diseases and Gene Expression in InsectsTravaux en français237 207