Autonomous Control of Primary Separation Vessel using Reinforcement Learning
Notice bibliographique
Résumé
Reinforcement Learning (RL) adapts to a dynamic environment through exploration and continual learning. However, the risks associated with exploration have limited RLC applications in industrial settings. This research designed a safe RLC framework for the bitumen extraction process from oil sands. We explore transfer learning techniques through Behavioral Cloning (BC), Generative Adversarial Imitation Learning (GAIL), and Simulation-to-Reality (Sim2Real) pretraining, which allow the RL agent to acquire fundamental knowledge before real-world exploration. This transferred knowledge steers exploration towards near-optimal and safer regions. GAIL and Sim2Real pretrained agents deliver satisfactory control performance right after pretraining, cutting process trips during online training by factors of 8 and 27, respectively. Further online training reduces Integral Squared Error (ISE) for interface tracking by 71% with GAIL and 22% with Sim2Real. ISE for tailings density tracking also decreases by 73% and 33%, respectively. This significant reduction demonstrates RL's continual learning ability suitable for autonomous control. This work highlights the potential for safely deploying RL in process automation and reveals that RLC can handle complex control problems in multivariate, multimodal, partially observable, and uncertain environments. RLC achieves Model Predictive Control (MPC)-level performance but with less controller effort, and computation time faster by a factor of 10.
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 ».