.png){kind=icon}
返回
Dynamic SHAP: Time resolved explainable AI for batch processes
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compchemeng.2026.109717.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在化学工程领域，数据驱动模型为基于第一性原理的模型提供了一种吸引人的替代方案，因为它们不需要对涉及的物理化学现象进行详细的定量描述。这在分批处理中尤为相关，因为在许多情况下，固有的动态操作特性和高化学复杂性使得基于物理的模型难以应用于实际工程问题。尽管过去应用于分批处理的大多数机器学习（ML）模型是线性的，但现在计算能力的提高使得探索更复杂的ML算法成为可能。然而，与线性模型相比，非线性ML方法可能缺乏透明度和可解释性。本研究介绍了一种新颖的可解释人工智能（AI）分析方法，专门用于分批过程分析：动态SHAP（D-SHAP）。D-SHAP将广为人知的SHAP（Shapley Additive Explanations）分析扩展到分批数据分析。D-SHAP框架通过重建连续的重要性轨迹超越了简单的特征聚合，能够识别关键的时间窗口，并将模型的可解释性与分批过程的相位依赖动力学对齐。因此，它不仅可以确定最有影响力的变量，还可以确定每个变量在分批过程中产生最大影响的特定阶段和时间。所提出的可解释AI分析在三个用例和三种ML方法上进行了验证：（i）偏最小二乘法，（ii）提升树和（iii）随机森林。
Keyword:
Machine learning
Batch processes
Explainable AI
D-SHAP
