Neural ordinary differential equation‐based model predictive controller for regulating glucose concentration in a fed‐batch <scp>CHO</scp> cell bioreactor
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 découle