A physics‐constrained hybrid residual neural network for the prediction of moisture content in a closed‐cycle drying system
Notice bibliographique
Résumé
Abstract Closed‐cycle drying technology has the advantages of safety, energy saving, and environmental protection, and has a wide application prospect. Due to the multi‐physics and multi‐scale nature of heat/mass transfer in the closed‐cycle drying process, as well as the characteristics of drying medium circulation and energy integration, it is difficult to obtain the product moisture content prediction model in closed‐cycle process based on rigorous closed‐cycle drying process mechanism model. However, accurate monitoring of product moisture content in the closed‐cycle drying process is the key to improving drying quality and process optimization. Aiming at the challenges in predicting moisture content, this paper proposes a physics‐constrained hybrid residual neural network (PC‐HRNN) for soft sensor modelling within a designed closed‐cycle drying system. The characteristic of this proposed method lies in its effective fusion of physics, knowledge, and data. First, a hybrid residual neural network (HRNN) is constructed based on the integration of a physics model and a data‐driven model. The HRNN takes the knowledge from the physics model as its auxiliary features and learns the prediction residuals of the physics model through a neural network model. Then, a new loss function that takes into account physical laws is introduced into HPNN to standardize model training and improve the generalization performance of the model. The experimental results show that the PC‐HRNN model improves prediction accuracy and model robustness, reduces the demand for data, and demonstrates stronger extrapolation capabilities under limited data.
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 | 0,000 |
| 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 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 ».