Online parameter estimation and model maintenance using parameter-aware physics-informed neural network
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
Machine learning-based (ML) digital twins for chemical processes are gaining popularity with the advent of Industry 4.0. These digital twins are often developed under the assumption of constant process parameters. However, in most chemical engineering processes, parameters often change during operations. To ensure optimal performance under such evolving conditions, there is a need for models that can adapt to these changes. In this work, we propose a framework for developing a PINN-based (Physics-Informed Neural Network) digital twin that is sensitive to parameter variations. The proposed framework also monitors the process in real-time using physics-based residual equations, identifies the parameters undergoing changes using sensitivity matrices, and re-estimates them to maintain the performance of the PINN model. We demonstrate the utility of the framework through a case study involving a continuous stirred tank reactor experiencing changes in activation energy and the overall heat transfer coefficient. The results show that the proposed framework improves the predictive accuracy of the PINN by approximately 84% for ramp changes and 12% for step changes in parameters. The framework is further applied to more realistic case studies, including a polymethyl methacrylate polymerization reactor and a pressure swing adsorption process, highlighting its applicability to high-dimensional nonlinear systems and cyclic separation processes. These findings indicate that the performance of digital twins can be significantly enhanced in the presence of varying process parameters by employing a PINN architecture that incorporates parameters as inputs and solves real-time inverse problems to estimate parameter values.
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