Robust optimization of cascaded <scp>MSMPR</scp> crystallization unit using unsupervised machine learning
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 The use of mixed suspension mixed product removal (MSMPR) system in the pharmaceutical industry to produce active pharmaceutical ingredients is well known. In industrial settings, the MSMPR system is subject to lot of process uncertainty which, if ignored, might result in poor product quality. In this work, the process uncertainty involved in MSMPR is targeted during the process optimization stage to find robust optimal operating conditions. The temperature and the residence time inside each cascaded MSMPR unit, altogether six, are considered as uncertain parameters. A sampled set of uncertain data points for such six different uncertain parameters are clustered using a novel support vector clustering (SVC) based algorithm. The uniqueness of this algorithm lies in its ability to fine‐tune the hyper‐parameters of SVC while intelligently clustering the uncertain data points into optimal number of clusters. Such identified clusters are helpful to generate more samples from the intended regions rather than generating them randomly to avoid proposing conservative solutions. Both best‐case and worst‐case scenarios for robust oOptimization (RO) are considered with , and samples. As the model has to be evaluated for a large number of samples and the MSMPR models are time‐consuming to evaluate, a surrogate model of the MSMPR process is developed to perform optimization under uncertainty. Performance metrics are used to quantitatively establish the superiority of the SVC based RO over the box‐sampling based RO.
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 | 0,001 |
| 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