.png){kind=icon}
返回
Transfer Learning for Thickener Control
.png){kind=icon}
OA
AI
DOI：10.3390/pr13010223.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
增稠剂控制是矿物加工工业中的一个关键关注领域，尤其因其对水回收的至关重要作用，这对可持续资源管理至关重要。增稠剂动力学的强非线性特性给建模和优化带来了显著挑战，使其成为高级代理建模技术的有力候选对象。然而，传统的数据驱动方法通常需要大量数据集，而这些数据集经常不可用，尤其是在新工厂或未探索的操作领域。在没有足够能代表系统动态的数据的情况下开发数据驱动模型，可能导致预测错误，并进而导致控制器响应不稳定。本文提出了一种应用迁移学习的方法，旨在解决这些数据限制问题，以增强增稠剂的代理建模和模型预测控制（MPC）。比较了三种方法的性能——基础模型、迁移学习模型和物理信息神经网络（PINN），以展示迁移学习在有限数据条件下改进控制策略的有效性。
Keyword:
model predictive control
thickener control
transfer learning
surrogate control
期刊
IF:
2.8
论文数:
7.1K
被引数:
3.7W
机构
暂无机构信息
引用论文
分享收藏A Dual-Attention Recurrent Neural Network Method for Deep Cone Thickener Underflow Concentration Prediction.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏分享收藏
查看更多内容