State and Parameter Estimation in Dynamic Real-Time Optimization with Embedded MPC
Notice bibliographique
Résumé
The goal of dynamic real-time optimization (DRTO) applications is to compute an optimal operational trajectory for a plant by generating set-points for the lower-level control algorithm to track. This approach can be further improved by directly incorporating the control algorithm (such as Model Predictive Control, MPC) into a closed-loop DRTO (CL-DRTO). By doing so, CL-DRTO can predict both the plant and controller responses to set-point adjustments, enhancing the performance of the entire system. However, CL-DRTO schemes require a mechanism to utilize plant measurements to adapt the model to the current plant conditions. Otherwise, the decisions will be based on a nominal model and are likely to be suboptimal. This study proposes a plant feedback scheme using an extended Kalman filter within a CL-DRTO framework that embeds an MPC model. In this novel model adaptation approach in the context of CL-DRTO, not only the states and parameters of the plant model are updated but also the embedded linear MPC model, which is adapted via an output disturbance scheme. Moreover, by adding input constraints to the CL-DRTO problem, this formulation allows a simplified representation of the MPC solution at the CL-DRTO level without directly accounting for input constraints at the MPC level, which reduces computation time. The efficacy of the proposed CL-DRTO approach is demonstrated through application to a multi-input multi-output CSTR where a critical parameter is not measurable.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».