Soft sensor modelling of simulated moving bed separation process using <scp>STADTL</scp> ‐net
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 Simulated moving bed (SMB) chromatography exhibits broad applications in chemical production and biopharmaceutical industries owing to its high nonlinearity and process coupling complexity. This study introduces a novel soft sensor framework, designated as the spatial–temporal attention domain transfer learning network (STADTL‐Net), integrating spatial–temporal attention‐enhanced long short‐term memory (STA‐LSTM) architectures with domain‐adversarial neural networks (DANN). Conventional soft sensing methodologies frequently exhibit limited performance when confronted with significant data distribution discrepancies across distinct SMB separation configurations. The proposed model utilizes historical datasets from a four‐zone eight‐column SMB separation system (source domain) for training, subsequently adapting to a four‐zone four‐column SMB process (target domain) through adversarial domain adaptation. The STA‐LSTM module dynamically extracts multivariate spatial–temporal dependencies, while the domain‐adversarial component systematically minimizes inter‐domain distribution mismatches through gradient reversal layers. Experimental validation through fructose‐glucose separation case studies demonstrates superior prediction accuracy and enhanced generalizability under novel operating regimes. This framework provides a principled approach for soft sensor development in complex dynamic systems characteristic of chemical engineering 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