.png){kind=icon}
返回
Digital design of crystallization processes using statistical machine learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compchemeng.2025.109518.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种通用的统计机器学习（ML）驱动的结晶过程设计建模工作流程，作为传统机理性种群平衡建模方法在不可行情况下的实用替代方案。所提出工作流程的关键亮点包括：通过合成数据增强来减少对大量实验数据集的依赖；整合主动学习策略以迭代建议实验条件并优化实验数据集；以及成功在Quality-by-Digital-Design（QbDD）框架内部署ML模型。该方法的有效性通过两个案例研究进行展示：（1）涉及一种农药化合物的计算机模拟研究；（2）涉及一种工业制药化合物的实验案例研究。在这些场景中训练的ML模型在预测关键质量属性（CQAs）时，预测误差低于10%。这些模型随后支持了确定性和概率性设计空间分析，并进行了基于模型的过程优化，最终通过实验验证确认。尽管该方法通过结晶过程进行示例，但它提供了一种通用的、系统化的ML模型开发框架，适用于反应和其他复杂过程系统。
期刊
C
IF:
3.9
论文数:
8.1K
被引数:
1.7W
机构
引用论文
How to measure uncertainty in uncertainty sampling for active learning主动学习不确定度抽样中如何测量不确定度.png)
MACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏Maximizing information from chemical engineering data sets: Applications to machine learning最大化来自化学工程数据集的信息: 机器学习的应用OAAI
OAAI分享收藏Uncertainty quantification in scientific machine learning: Methods, metrics, and comparisons科学机器学习中的不确定性量化: 方法、度量和比较OAAI
OAAI分享收藏Reliability-based Optimal Control of Crystallization Systems Under Uncertainty基于可靠性的不确定性下结晶系统的最优控制
PREAI
分享收藏Population balance model enabled digital design and uncertainty analysis framework for continuous crystallization of pharmaceuticals using an automated platform with full recycle and minimal material use人口平衡模型支持数字设计和不确定性分析框架，使用具有完全回收和最少材料使用的自动化平台实现药品的连续结晶
PREAI
分享收藏Continuous Antisolvent Crystallization of Carbamazepine Dihydrate: Experiments and Modeling (vol 64, pg 6596, 2025)卡马西平二水合物连续抗溶剂结晶：实验与建模（vol 64, pg 6596, 2025）
OAAI
OAAI分享收藏
查看更多内容