Online optimization of simulated moving bed processes based on deep learning models
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 Due to the lengthy computation times required by the mechanistic model of the simulated moving bed (SMB) separation process, applying it directly to online optimization and control is challenging. To address this issue, this paper proposes replacing the traditional mechanistic model with a deep learning–based surrogate, enabling real‐time optimization of the SMB process. The optimization strategy's control unit comprises two components: a model parameter estimator and an operational parameter optimizer. The model parameter estimator employs a dung beetle optimization (DBO) algorithm to tune a convolutional neural network combined with a bidirectional long short‐term memory network and a multi‐head attention mechanism (DBO‐CNN‐BiLSTM‐MHA). The operational parameter optimizer consists of a deep neural network (DNN) and a multi‐objective dung beetle optimization (MODBO) algorithm. During operation, when product purity falls below the required level due to stationary‐phase degradation, the model parameter estimator predicts the current model parameters and passes them to the operational parameter optimizer. The optimizer then determines the optimal operating conditions to simultaneously maximize purity and productivity. Simulation results demonstrate that both models achieve high prediction accuracy on the test set and that the proposed online optimization strategy can continuously adapt operating parameters in response to constant‐rate stationary‐phase degradation, thereby maintaining high product purity and productivity.
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 | 0,001 |
| 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