Enhancing quality control of polyethylene in industrial polymerization plants through predictive multivariate data‐driven soft sensors
Notice bibliographique
Résumé
Abstract Measuring polyethylene properties in the laboratory is time‐consuming and usually unavailable in real‐time, posing significant challenges for controlling product quality in polymerization plants. This research focuses on developing multivariate data‐driven soft sensors for online monitoring and prediction of key characteristics. The targeted properties for prediction include the melt flow index (MFI), density, and average particle diameter in the gas‐phase fluidized bed reactor, as well as the MFI and flow rate ratio (FRR) in the slurry‐phase process. We conducted an exhaustive examination using an ensemble learning approach to quantify the impact of process variables on the model's responses. Various machine learning (ML) algorithms were trained and validated using datasets from industrial ethylene polymerization plants. The precision of the ML models was improved by splitting the datasets into categories comprising high and low MFI and FRR, as well as linear low‐density and high‐density clusters. Then, segmented ML models were developed for each cluster. The results demonstrated that the segmented ML models utilizing optimized Gaussian process regression models with suitable kernel functions and ensemble bagged tree models offered the highest accuracy in predicting the MFI, FRR, and density. Additionally, the comprehensive ML model without clustering, utilizing Gaussian process regression with an isotropic exponential kernel function, proved to be the most effective at predicting the average particle diameter.
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 | 0,000 | 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 | 0,001 |
| 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 ».