Improved Pearson Correlation Coefficient-Based Graph Neural Network for Dynamic Soft Sensor of Polypropylene Industries
Notice bibliographique
Résumé
Polypropylene is an important product in the chemical industry and also a raw material for packaging bags, masks, and building boards. The melt index (MI) is a key indicator for evaluating the quality and efficiency of the polypropylene production process. Accurate measurement of the MI is beneficial to increase the polypropylene yield and save energy. The polypropylene production process is characterized by strong nonlinearity, obvious dynamic features, and complex structure, so the current soft sensor methods cannot carry out real-time and accurate soft sensor of the MI. In order to fully mine the complex relationship between variables of temporal data and extract the characteristics of time-series space in chemical production processes, this paper proposes a novel dynamic soft sensor method using an improved Pearson correlation coefficient-based graph neural network (GNN) (Pearson-GNN) method. The adjacency matrix is updated through the correlation coefficient of the data, which is integrated into the graph convolution and time sequence convolution modules of GNN to improve the accuracy of the soft sensing. Finally, the performance of the proposed Pearson-GNN is verified in time-series data soft-sensing task on the public air quality data set and actual polypropylene production processes. Compared with the diffusion concurrent recurrent neural networks (DCRNN), the multivariate time-series forecasting with graph neural networks (MTGNN), the spatiotemporal graph convolutional networks (STGCN), and the GNN based on a fully dynamic adjacency matrix without Pearson correlation updates (Fully GNN), the experimental results show that proposed Pearson-GNN is superior to other methods in terms of the mean absolute percentage error, the root-mean-square error, and mean absolute error.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».