模拟基成分特性和加工条件对混合物产品的影响,使用概率,知识导向的神经网络.
Manuel Borja1, Jens Dhondt2, Johny Bertels2
1Department of Data Analysis and Mathematical Modelling, Ghent University, Coupure links 653, Gent, 9000, Belgium.
这项研究引入了一种新的数据驱动方法,使用人工神经网络来预测成分混合物和加工条件中的材料特性,增强材料设计和配方.
科学领域:
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
- 数据科学数据科学数据科学
背景情况:
- 通过混合组分来开发新材料是常见的,但如果不了解底层物理,很难预测混合物特性.
- 当前的建模方法通常依赖于理想混合的假设,限制了它们的适用性.
研究的目的:
- 提出一种新的基于数据的方法来预测基于混合物的材料的特性.
- 开发一个集成基本组件属性,混合比例和加工条件的模型.
- 为了估计预测的不确定性,并纳入专家知识.
主要方法:
- 利用概率,知识导向的人工神经网络 (ANN).
- 开发了一个模型,根据组件特征,混合物比率和制造条件共同预测性能.
- 专家知识集成的内置单调性约束.
主要成果:
- 该方法准确地预测药物片的质量属性 (例如,质量变化,抗拉强度).
- 该模型克服了以前方法的局限性,因为它不假设理想的混合.
- 该方法允许估计预测中的 aleatoric 不确定性.
结论:
- 拟议的数据驱动方法有效预测基于混合物的材料,包括药品的特性.
- 这种方法通过提供准确的预测而提高了材料设计,而不需要对物理现象的深入预先了解.
- 专家知识和不确定性估计的整合提高了模型的可靠性和适用性.
更多相关视频
13:54A Workflow for Lipid Nanoparticle LNP Formulation Optimization using Designed Mixture-Process Experiments and Self-Validated Ensemble Models SVEM
Published on: August 18, 2023
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
相关概念视频
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Mechanistic Models: Compartment Models in Individual and Population Analysis
Concepts and Prototypes
The brain organizes this information using concepts, which are mental categories grouping linguistic data,...
