Buchumschlag

Multi-scale membrane process optimization with high-fidelity ion transport models through machine learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Rall, Deniz, Schweidtmann, Artur M., Krusea, Maximilian, Evdochenko, Elizaveta, Mitsos, Alexander, Wessling, Matthias
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Optimization with Trained Machine Learning Models Embedded
von: Schweidtmann, Artur M., et al.
Veröffentlicht: (2022)

Data augmentation for machine learning of chemical process flowsheets
von: Balhorn, Lukas Schulze, et al.
Veröffentlicht: (2023)

Obey validity limits of data-driven models
von: Schweidtmann, Artur M, et al.
Veröffentlicht: (2020)

Global Optimization of Gaussian processes
von: Schweidtmann, Artur M., et al.
Veröffentlicht: (2020)

Graph neural networks for the prediction of molecular structure-property relationships
von: Rittig, Jan G., et al.
Veröffentlicht: (2022)

Graph Neural Networks for Temperature-Dependent Activity Coefficient Prediction of Solutes in Ionic Liquids
von: Rittig, Jan G., et al.
Veröffentlicht: (2022)

Flowsheet synthesis through hierarchical reinforcement learning and graph neural networks
von: Stops, Laura, et al.
Veröffentlicht: (2022)

Graph-to-SFILES: Control structure prediction from process topologies using generative artificial intelligence
von: Balhorn, Lukas Schulze, et al.
Veröffentlicht: (2024)

ENFORCE: Nonlinear Constrained Learning with Adaptive-depth Neural Projection
von: Lastrucci, Giacomo, et al.
Veröffentlicht: (2025)

Physical Pooling Functions in Graph Neural Networks for Molecular Property Prediction
von: Schweidtmann, Artur M., et al.
Veröffentlicht: (2022)

Data-efficient multi-fidelity training for high-fidelity machine learning interatomic potentials
von: Kim, Jaesun, et al.
Veröffentlicht: (2024)

Task-optimal data-driven surrogate models for eNMPC via differentiable simulation and optimization
von: Mayfrank, Daniel, et al.
Veröffentlicht: (2024)

Learning from flowsheets: A generative transformer model for autocompletion of flowsheets
von: Vogel, Gabriel, et al.
Veröffentlicht: (2022)

GraphRAG for Engineering Diagrams: ChatP&ID Enables LLM Interaction with P&IDs
von: Alimin, Achmad Anggawirya, et al.
Veröffentlicht: (2026)

Transferring Graph Neural Networks for Soft Sensor Modeling using Process Topologies
von: Theisen, Maximilian F., et al.
Veröffentlicht: (2025)

Multi-agent systems for chemical engineering: A review and perspective
von: Rupprecht, Sophia, et al.
Veröffentlicht: (2025)

Pruning for efficient deterministic global optimization over trained ReLU neural networks
von: Lastrucci, Giacomo, et al.
Veröffentlicht: (2026)

A primer of optimal ergodic average control for an insurance company diffusion model
von: Iashchenko, Elizaveta, et al.
Veröffentlicht: (2025)

Deterministic Global Optimization over trained Kolmogorov Arnold Networks
von: Karia, Tanuj, et al.
Veröffentlicht: (2025)

Practical multi-fidelity machine learning: fusion of deterministic and Bayesian models
von: Yi, Jiaxiang, et al.
Veröffentlicht: (2024)

Text2Model: Generating dynamic chemical reactor models using large language models (LLMs)
von: Rupprecht, Sophia, et al.
Veröffentlicht: (2025)

Inverse design of photonic surfaces on Inconel via multi-fidelity machine learning ensemble framework and high throughput femtosecond laser processing
von: Grbcic, Luka, et al.
Veröffentlicht: (2024)

Unified evolutionary optimization for high-fidelity spin qubit operations
von: Katiraee-Far, Sam R., et al.
Veröffentlicht: (2025)

AQCat25: Unlocking spin-aware, high-fidelity machine learning potentials for heterogeneous catalysis
von: Allam, Omar, et al.
Veröffentlicht: (2025)

Efficient Bayesian Uncertainty Estimation for nnU-Net
von: Zhao, Yidong, et al.
Veröffentlicht: (2022)

Towards automatic generation of Piping and Instrumentation Diagrams (P&IDs) with Artificial Intelligence
von: Hirtreiter, Edwin, et al.
Veröffentlicht: (2022)

Quantum circuit fidelity estimation using machine learning
von: Vadali, Avi, et al.
Veröffentlicht: (2022)

Graph Machine Learning for Design of High-Octane Fuels
von: Rittig, Jan G., et al.
Veröffentlicht: (2022)

Robust Design of Multi-Energy Systems Accounting for Mixed-Integer Operational Problems
von: Wedemeyer, Moritz, et al.
Veröffentlicht: (2026)

Finite-size resource scaling for learning quantum phase transitions with fidelity-based support vector machines
von: Ali, Aaqib, et al.
Veröffentlicht: (2026)

High-fidelity modeling of interface crossing in the diffusion welding process at the polycrystalline scale
von: Godinot, Camille, et al.
Veröffentlicht: (2025)

A graphical multi-fidelity Gaussian process model, with application to emulation of heavy-ion collisions
von: Ji, Yi, et al.
Veröffentlicht: (2021)

Multi-fidelity constraints in blackbox optimization
von: Alarie, Stéphane, et al.
Veröffentlicht: (2026)

Understanding multi-fidelity training of machine-learned force-fields
von: Gardner, John L. A., et al.
Veröffentlicht: (2025)

Multi‐objective optimization of three mechanical properties of Mg alloys through machine learning
von: Wei Gou, et al.
Veröffentlicht: (2024)

Picard-KKT-hPINN: Enforcing Nonlinear Enthalpy Balances for Physically Consistent Neural Networks
von: Lastrucci, Giacomo, et al.
Veröffentlicht: (2025)

Adaptive multi-fidelity optimization with fast learning rates
von: Fiegel, Come, et al.
Veröffentlicht: (2026)

Toward ultra-efficient high-fidelity prediction of bed morphodynamics of large-scale meandering rivers using a novel LES-trained machine learning approach
von: Zhang, Zexia, et al.
Veröffentlicht: (2024)

Accelerating process control and optimization via machine learning: A review
von: Mitrai, Ilias, et al.
Veröffentlicht: (2024)

Regularization of Riemannian optimization: Application to process tomography and quantum machine learning
von: Soest, Felix, et al.
Veröffentlicht: (2024)