Collaborative optimization of dynamic early warning and control in desulphurization process via integration of causal inference and temporal features
Notice bibliographique
Résumé
Abstract The inherent time‐lag effects, nonlinear dependencies, and dynamic coupling mechanisms in desulphurization processes pose significant challenges to precise quality prediction and proactive control. This study presents a novel collaborative optimization framework integrating causal inference with temporal feature engineering to achieve dynamic early warning and intelligent control. Methodologically, we first develop a multi‐modal time‐lag estimation approach combining dynamic time warping, Granger causality tests, and time‐delayed mutual information, resolving temporal asynchrony between process variables through dynamic programming and information‐theoretic analysis. Building upon this, a dynamic autoregressive latent variable model (DALM) with Bayesian estimation is established to capture cross‐variable interaction dynamics, enhanced by a long short‐term memory (LSTM)‐based architecture with attention mechanisms for nonlinear temporal dependency modelling. The proposed early‐warning system synergizes anomaly detection (isolation forest/one‐class SVM/autoencoder triad) with NOTEARS‐optimized causal graphs, achieving 93.1% prediction accuracy (AUC = 0.98) through multi‐feature fusion of temporal patterns, causal drivers, and multivariate anomalies. For control optimization, formulate a hybrid MPC strategy incorporating warning‐adaptive penalty terms, demonstrating 89.2% warning probability alignment with quality deviations while the concentrations of SO 2 /H 2 S are kept within a fixed range through restricted reactor feed flow adjustment. Validations confirm the framework reduces unplanned shutdowns by 37% compared to conventional PID control, with R 2 = 0.9144 for SO 2 and 0.9114 for H 2 S concentration predictions. This work provides a systematic solution addressing temporal‐causal decoupling challenges in complex chemical processes, significantly advancing intelligent optimization in pollution control systems.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».