Herramientas de simulación de procesos y modelos estadísticos
Optimización y automatización de procesos
Esta sección presenta ejemplos de herramientas de simulación de procesos y modelos estadísticos desarrollados y aplicados en diferentes sectores a nivel industrial y académico.
- Video:Webinar de Integración de Energías Renovables No Convencionales (ERNC) a los modelos de simulación.
- Fuente:Youtube
Role of optimization algorithms based fuzzy controller in achieving induction motor performance enhancement
El papel de los algoritmos de optimización con base en controladores difusos para mejorar el rendimiento de motores de inducción
Los motores de inducción de tres fases son ampliamente utilizados en maquinaria para operaciones industriales, los cuales requieren de sistemas de control precisos y robustos, como los FLC (fuzzy logic controller). El rendimiento de un controlador FLC depende en gran medida de las variables de la función de pertenencia (MF), que se evalúan mediante enfoques heurísticos, lo que conduce a un tiempo de procesamiento elevado. En este sentido, el estudio propone un algoritmo de búsqueda (QLSA) para evitar la técnica heurística convencional exhaustiva en la obtención del valor adecuado de las MF. De esta manera, se aplica el QLSA a un grupo de catorce funciones de referencia y se compara con otras técnicas de optimización mediante el uso de diferentes funciones de referencia.
Este trabajo fue desarrollado por M. A. Hannan (Universiti Tenaga Nasional, Kajang, Malaysia),Jamal Abd. Ali (Ministry of Electricity, Baghdad, Iraq),M. S. Hossain Lipu,A. Mohamed (Universiti Kebangsaan Malaysia, Bangi, Malaysia),Pin Jern Ker (Universiti Tenaga Nasional, Kajang, Malaysia),T. M. Indra Mahlia (University of Technology Sydney, NSW, Australia),M. Mansor (Universiti Tenaga Nasional, Kajang, Malaysia),Aini Hussain (Universiti Kebangsaan Malaysia, Bangi, Malaysia), Kashem M. Muttaqi (University of Wollongong, NSW, Australia) y Z. Y. Dong (School of Electrical Engineering and Telecommunications, NSW, Australia) para Nature Communications (Vol. 11, Nùm. 3792, 2020), una revista dedicada a la publicación de estudios de alto nivel en las diversas áreas de las ciencias naturales. Esta es una publicación de Nature Research. Correo de contacto:[email protected]
Soft-sensor modeling for L-lysine fermentation process based on hybrid ICS-MLSSVM
Modelado de sensor suave basado en el híbrido ICS-MLSSVM para el proceso de fermentación de L-lisina
Este estudio propone el uso de un método de modelado de sensor suave híbrido ICS-MLSSVM para llevar a cabo la detección de variables bioquímicas como concentración celular, concentración de sustrato y de producto durante el proceso de fermentación de L-lisina. El modelo se desarrolla utilizando valores de parámetros optimizados, y las variables bioquímicas clave del proceso de fermentación de L-lisina se realizan en línea. El método propuesto predice todos los productos de manera simultánea, aprovecha la información de correlación útil entre las diferentes salidas y diseña un solo modelo para todas las salidas. El modelo logra un efecto de identificación en tiempo real basado en unos pocos datos de entrada / salida, por lo que elimina la necesidad de un modelo cinético exacto del proceso de fermentación.
Este estudio fue elaborado por Bo Wang, Muhammad Shahzad, Xianglin Zhu, Khalil Ur Rehman, Muhammad Ashfaq y Muhammad Abubakar (Jiangsu University, Jiangsu, China) para Scientific Reports (Vol. 10, núm. 11630, 2020), una revista de acceso abierto que abarca todas las áreas de las ciencias naturales y de la medicina. Esta es una publicación de Nature Research. Correo de contacto: [email protected]
