An adaptive fast adjustable GRBF modeling method for online prediction of finished gasoline blending quality
Notice bibliographique
Résumé
A fast adaptive adjustable gradient radial basis function (GRBF) quality prediction modeling method is suggested to solve excess product quality caused by the challenge of precisely predicting finished gasoline quality in online blending. First, based on the blending component proportions, key attributes influencing product quality indicators in the blending components are newly incorporated while also considering both product performance and environmental protection indicators, thereby determining a single indicator independent prediction scheme with 12 inputs and one output, tailored to meet the requirements of actual engineering applications. A strategy that can adaptively update the hidden layer nodes and output layer weights online based on the prediction error of the finished gasoline blending quality prediction model is proposed in order to address the batch effect and fluctuation caused by factors such as changes in operating conditions and varying crude oil production areas. This strategy is based on a fast adaptive GRBF network architecture. Additionally, the orthogonal least squares method is employed to construct a GRBF neural network with a fixed number of hidden layer neural units in the offline initial modeling stage, taking into account that the prediction model structure used in actual engineering should not be excessively large. The second-order gradient Levenberg-Marquardt algorithm is then combined to expedite the model construction process. Lastly, the fast adaptive adjustable GRBF model in this paper demonstrates superior prediction performance in comparison to the static radial basis function neural network (RBFNN), XGboost, and stacked autoencoder deep neural network with attention mechanism (AT-SAE-DNN) by experimental verification using actual industrial data from a specific refinery. This model can serve as a dependable foundation for the high-efficiency production of finished gasoline and online blending.
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 | 0,001 | 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 | 0,001 |
| 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 ».