Neural ordinary differential equation‐based model predictive controller for regulating glucose concentration in a fed‐batch <scp>CHO</scp> cell bioreactor
Notice bibliographique
Résumé
Abstract Chinese hamster ovary (CHO) cells are widely used in the biopharmaceutical industry to produce recombinant proteins. Effective process control is crucial for managing biomanufactured product production in response to increasing market demand. Model predictive control (MPC) is an advanced controller compared to the traditional proportional integral derivative (PID) controller for handling complex nonlinear systems. However, existing MPC controllers fail to address challenges related to control accuracy, model plant mismatch (MPM), and computational load simultaneously. Neural ordinary differential equation (ODE), capable of effectively modelling dynamics within complex systems at high computational efficiency, has the potential to tackle these limitations. This study developed a neural ODE model‐based MPC to dynamically maintain glucose concentration in a fed‐batch CHO cell bioreactor simulation system. Additionally, benchmark studies were conducted to compare the control performance of neural ODE‐MPC with neural network (NN)‐based MPC and long short‐term memory (LSTM)‐based MPC. The results demonstrate that neural ODE‐MPC can provide reliable control performance in managing glucose concentration with lower control errors, small MPM, and higher computational efficiency compared to the benchmark systems. In conclusion, neural ODE‐MPC has the potential to address MPC challenges and enhance production efficiency in future industrial applications.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».