A novel ensemble network based on <scp>CNN</scp> ‐ <scp>AM</scp> ‐ <scp>BiLSTM</scp> learner for temperature prediction of distillation columns
Notice bibliographique
Résumé
Abstract In recent years, complexity has significantly increased in chemical processes where a distillation column serves as a crucial unit. It is worthwhile to develop an accurate and reliable predictive model to maintain the steady operation condition of distillation column. Although data‐driven models that do not rely on any prior knowledge present a promising approach, they encounter challenges associated with nonlinearity and dynamic behaviour within process data. To tackle these challenges, a deep learning‐based combined distilled spatiotemporal attention ensemble network (CDSAEN) is proposed. The CDSAEN is constructed by sequentially integrating multiple base learners, which are iteratively distilled and generated with decreasing attention span lengths through the boosting method implemented by a specially designed attention extraction evaluation function. In a base learner, convolutional neural network (CNN), attention mechanism (AM), and bidirectional long short‐term memory (BiLSTM) are utilized to adaptively capture deep and intricate spatiotemporal features and establish a robust mapping relationship from inputs to output. Real‐world process data from a distillation system in a chemical plant is reconstructed as a time series dataset and is subsequently fed into CDSAEN for training to forecast the temperature of the distillation column apparatus in advance. The results exhibited effectiveness and reliability. Additionally, in comparison to six other data‐driven predictive approaches, the proposed method attained superior performance with mean absolute error (MAE) = 0.084, root mean squared error (RMSE) = 0.108, and R 2 = 0.974. This study can provide support for maintaining the stable operation of distillation columns in chemical processes.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».