English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Soft sensors have been widely employed to predict variables from a process that cannot be measured. In literature, there are many techniques that can be used to develop a soft sensor. The robustness of the model is directly related to the complexity of the techniques employed in the model. However, it does not mean that simple models are not able to achieve good results. Support Vector Machines (SVM) and Decision Trees (DT) has been shown as good candidates to build soft sensors. Two experiments are proposed in this work. First, three benchmark regression data sets are studied. Finally, a debutanizer column is provided as study case in order to build a soft sensor. Using Genetic Algorithm (GA) as a tool to improve the developed models, it is possible to perceive that there are no significant differences between the results achieved with SVM and DT in terms of RMSE. However, analyzing the aspects of the predicted curves, the results obtained with SVM is the closest to the actual data. Resumo: Sensores virtuais têm sido amplamente empregados para predição de variáveis de um processo que não podem ser mensuradas. Na literatura, existem diversas técnicas que podem ser usadas para desenvolver um sensor virtual. A robustez do modelo está diretamente relacionada à complexidade das técnicas empregadas no modelo. No entanto, isso não significa que modelos simples não sejam capazes de alcançar bons resultados. As Máquinas de vetores de suporte (SVM) e as Árvores de Decisão (DT) se apresentaram como boas candidatas para criação de soft sensors. Dois experimentos são propostos neste trabalho. Primeiramente, três conjuntos de dados de regressão são estudados. Finalmente, uma coluna debutanizadora é fornecida como caso de estudo para construir um sensor soft. Utilizando o Algoritmo Genético (GA) como ferramenta para melhorar os modelos desenvolvidos, é possível perceber que não há diferenças significativas entre os resultados obtidos com SVM e DT em termos de RMSE. No entanto, analisando os aspectos das curvas previstas, o resultado obtido com o SVM é o mais próximo dos dados reais.

Development of a debutanizer column soft sensor by means of evolutionary machine learning approaches