Dynamic Surrogate Modeling Using Latent Variable Methods and Neural Networks for Market-Driven Operation of an Air Separation Unit
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
This work presents a dynamic surrogate modeling framework that combines latent variable methods and neural networks for accurate and computationally efficient market-driven dynamic optimization of an air separation plant. The high-dimensional full-order model (FOM) consisting of ≈ 3800 states is projected onto a 10-dimensional latent subspace using principal component analysis (PCA). Following order reduction, a rectified linear unit (ReLU)-activated multilayer perceptron (MLP) neural network is trained to compute step-ahead predictions of the latent states in addition to the squared prediction error (SPE) statistic of the step-ahead prediction. The ReLU network is embedded directly into a discrete time reformulation of the optimization problem using complementarity conditions, and a trust region is enforced during optimization by constraining the SPE along the prediction horizon to be within specified confidence limits. The latent variable-based surrogate model (LV-SM) is validated through multistep-ahead simulation case studies, demonstrating high prediction accuracy for restoration of not only the states directly relevant to optimization but also the entire original state-space. The LV-SM’s performance in dynamic optimization is studied using a market-driven optimization case study, where it achieves a solution nearly identical to the FOM with nearly 3 orders of magnitude reduction in computation time using a two-tiered optimization approach. The results of this work highlight the potential of the LV-SM as a substitute for high-dimensional and complex first-principles-based industrial process models, particularly for use in real-time operations applications.
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 | 0,001 | 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 | 0,000 |
| 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