Enhanced ribbon quality in roller compaction process by mitigating splitting through a machine-learning framework

Mohammad Shahab

doi:10.1016/j.ijpharm.2025.126174

Enhanced ribbon quality in roller compaction process by mitigating splitting through a machine-learning framework

2025-09-19

0

PRE

AI

Gintaras V. Reklaitis

DOI：10.1016/j.ijpharm.2025.126174

原文链接

原文求助

摘要

En 中文

带状物分裂是干法制粒过程中使用的辊压操作中可能发生的现象，可能导致颗粒均匀性降低、压片性差，最终导致不符合规格的片剂生产。尽管其重要性，带状物分裂由于设备条件、工艺变量和配方特性之间复杂且非线性的关系，仍然难以理解和预测。本研究提出了一种机器学习框架，通过利用从实验中收集的多变量数据来建模和表征带状物分裂。该框架基于一种基于高斯过程回归（GPR）的数据增强驱动的神经网络，并结合了迁移学习。SHapley加性解释（SHAP）分析用于增强模型的可解释性，通过提取特征重要性和其对带状物分裂的影响。该框架能够基于高R2值和低MSE/MAE值可靠预测带状物质量（厚度和密度），确定通过现有研究佐证的可行区域，以及确保产品一致性和合规性的最优输入条件。所提出的方法具有灵活性、可扩展性和泛化性，适用于各种操作条件，能够实现早期故障检测、加速工艺开发、提供可操作的见解，并为制药干法制粒过程中的闭环控制和QbD实施奠定基础。

Enhanced ribbon quality in roller compaction process by mitigating splitting through a machine-learning framework

摘要

期刊

机构

引用论文