Economic Model Predictive Control for Wastewater Treatment Processes Based on Global Maximum Error POD-TPWL
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
To address the challenge of low computational efficiency in nonlinear Economic Model Predictive Control (EMPC) for large-scale systems such as wastewater treatment plants (WWTPs), this paper proposes a Trajectory Piecewise Linearization (TPWL)-based EMPC framework integrated with global maximum error control (GMEC) and Proper Orthogonal Decomposition (POD). The TPWL method constructs a reduced-order model framework, while GMEC iteratively refines the linearization point selection process. A two-stage strategy is employed: first, coarse selection of candidate linearization points along the original nonlinear model’s state trajectory based on Euclidean distance, followed by refinement to determine optimal points that minimize global approximation errors. Simulation results demonstrate that the proposed method reduces computational time by at least 65% under identical weather conditions while maintaining effluent quality and total cost indices within acceptable thresholds. Compared with conventional TPWL-POD approaches, this framework achieves higher model accuracy and superior EMPC control performance. These advancements underscore the method’s potential for real-time implementation in complex industrial systems, balancing computational efficiency with control precision. Additionally, the framework’s modular design enables integration with existing optimization techniques to further reduce computational complexity without compromising effluent quality compliance.
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