.png){kind=icon}
返回
BayesCAMPD: Data-efficient and closed-loop integrated molecular and process design using Bayesian optimization
.png){kind=icon}
PRE
AI
DOI：10.1002/aic.70191.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据驱动技术利用代理模型来实现在计算机辅助分子与过程设计（CAMPD）中的高效设计。然而，准确模拟复杂系统的大设计空间通常需要大量数据。为减少数据需求并提高设计效率，提出了一种基于贝叶斯优化的BayesCAMPD方法，用于分子与过程的集成设计。该方法通过迭代的数据驱动建模、基于模型的优化以及所获解的验证，为数据驱动CAMPD提供了一种数据高效且闭环的解决方案。基于有限数据，BayesCAMPD能够系统性地识别并验证有前景的分子与过程解，最终收敛至最优设计。通过将其应用于溶剂与萃取精馏过程的集成设计，所提出的BayesCAMPD方法被证明具有实践相关性且非常高效。尽管BayesCAMPD因模型更新和序列优化而增加了计算成本，但它显著降低了大规模训练数据集的需求，为数据驱动CAMPD任务提供了一种高效的解决方案。
Keyword:
Bayesian optimization
computer-aided molecular and process design
data-driven modeling and optimization
extractive distillation
solvent design
期刊
IF:
4
论文数:
1.1W
被引数:
2.9W
机构
引用论文
Integrated design of solvent–antisolvent mixtures and crystallization processes powered by machine learning基于机器学习的溶剂-反溶剂混合物与结晶过程的集成设计
OAAI
OAAI分享收藏An overview of process systems engineering approaches for process intensification: State of the art
OAAI
OAAI分享收藏Gryffin: An algorithm for Bayesian optimization of categorical variables informed by expert knowledgeGryffin: 一种基于专家知识的分类变量贝叶斯优化算法.png)
APPLIED PHYSICS REVIEWSOAAI
APPLIED PHYSICS REVIEWSIF11.6
OAAI分享收藏
查看更多内容