Good modeling practice for calibration applied to ion exchange breakthrough prediction
Notice bibliographique
Résumé
Ion exchange (IX) is a key technology in resource recovery processes for demineralization and fit-for-purpose water production due to its inherent ion-selective recovery properties. A major bottleneck in the optimization of the IX process is the accurate prediction of ion breakthrough times, which has the potential to save on regeneration chemicals by maximizing resin utilization. However, the models used to predict ion breakthrough times are often unreliable due to poor calibration methods and significant uncertainty in parameter estimates. Consequently, we conducted local and global sensitivity analyses to identify the design and operational parameters that contribute most to the prediction of breakthrough curves. The global sensitivity analysis enabled the selection of a limited subset of parameters for calibration, demonstrating that only two parameters, namely the maximum adsorption capacity isotherm parameter and the resin bead particle size, require thorough calibration, resulting in a 76% improvement in the breakthrough prediction. We also showed that the calibration of additional, less sensitive or correlated parameters results in an insignificant improvement of the predictive power, with a 16% to 60% increased uncertainty in the breakthrough time prediction. The model was validated using three independent data sets, which showed a fairly accurate breakthrough time prediction, with a relative error ranging from 1% to 11%. Herein, we propose a robust calibration procedure, based on good modeling practice, that encompasses both sensitivity and uncertainty analyses and therefore provides a basis for process optimization. The framework is presented in a manner that allows for its application to analogous process settings.
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 | 0,001 | 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 ».