Application of machine learning in monitoring fouling in heat exchangers in chemical engineering: A systematic review
Notice bibliographique
Résumé
Abstract The present work consists of a systematic literature review that examines studies on using machine learning to monitor fouling in heat exchangers in the chemical engineering area. The research was conducted in four renowned databases: SCOPUS, Science Direct, IEEE, and Web of Science. The main objective of the investigation was to identify the most prevalent machine learning methods, evaluate their performance, and analyze the challenges associated with their implementation and prospects. Using the StArt software, seven relevant scientific papers from the established review protocol. The most frequently identified methods were support vector machine (SVM) and k‐nearest neighbours (k‐NN), followed by decision tree. However, long‐term and short‐term predictors and long short‐term memory (LSTM) and non‐linear autoregressive with exogenous inputs (NARX) algorithms were the most successful, followed by Gaussian process regression (GPR), SVM, k‐NN, and improved grey wolf optimization–support vector regression (IGWO‐SVR) algorithms. Although these methods inspire confidence, it is important to highlight that they are still in the software testing phase. Key gaps identified include the need for further studies on real industrial applications and the integration of advanced sensors and measurement systems. Future directions point to developing more robust and generalized algorithms capable of dealing with the complexity of real systems.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».