2015
DOI: 10.1007/s12182-014-0010-9
|View full text |Cite
|
Sign up to set email alerts
|

Improvement of the prediction performance of a soft sensor model based on support vector regression for production of ultra-low sulfur diesel

Abstract: A novel data-driven, soft sensor based on support vector regression (SVR) integrated with a data compression technique was developed to predict the product quality for the hydrodesulfurization (HDS) process. A wide range of experimental data was taken from a HDS setup to train and test the SVR model. Hyper-parameter tuning is one of the main challenges to improve predictive accuracy of the SVR model. Therefore, a hybrid approach using a combination of genetic algorithm (GA) and sequential quadratic programming… Show more

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
3
1
1

Citation Types

0
10
0
1

Year Published

2016
2016
2023
2023

Publication Types

Select...
7
1

Relationship

0
8

Authors

Journals

citations
Cited by 24 publications
(11 citation statements)
references
References 29 publications
0
10
0
1
Order By: Relevance
“…dengan ε merupakan lebar radius toleransi yang diperbolehkan. Persamaan (4) mengindikasikan bahwa galat dapat diabaikan selama data latih masih berada di dalam tabung ε. Tujuan fungsi epsilon insensitive loss adalah untuk mencari sebuah fungsi yang dapat menyesuaikan data latih dengan galat ≤ ɛ [17]. Akhirnya, dengan melibatkan fungsi kernel ( , ) untuk mentransformasikan permasalahan ke dimensi yang lebih tinggi agar sistem yang tidak linear dapat ditangani dengan cara biasa, persamaan untuk bidang pemisah dapat dituliskan sebagai (7) sebagai berikut.…”
Section: = + (5)unclassified
“…dengan ε merupakan lebar radius toleransi yang diperbolehkan. Persamaan (4) mengindikasikan bahwa galat dapat diabaikan selama data latih masih berada di dalam tabung ε. Tujuan fungsi epsilon insensitive loss adalah untuk mencari sebuah fungsi yang dapat menyesuaikan data latih dengan galat ≤ ɛ [17]. Akhirnya, dengan melibatkan fungsi kernel ( , ) untuk mentransformasikan permasalahan ke dimensi yang lebih tinggi agar sistem yang tidak linear dapat ditangani dengan cara biasa, persamaan untuk bidang pemisah dapat dituliskan sebagai (7) sebagai berikut.…”
Section: = + (5)unclassified
“…This function minimizes the training error between the data-training and the function ε-insensitive is provided by Eq. (4) [15,22].…”
Section: Support Vector Regression Modelmentioning
confidence: 99%
“…In order to counter this problem, various industries are now incorporating soft sensor models to achieve quality monitoring. There is increasing use of soft sensors in process industries such as petroleum refinery Shokri et al 2015), cement Mohanta 2014, 2016), polymer (Shi and Liu 2006;Ahmed et al 2009;Chen et al 2013;Sharma et al 2017), metallurgy (Gui et al 2005;Zhang et al 2013;Markopoulos et al 2016), bioprocesses (Steinwandter et al 2016) and plasma etching process (Zakour and Taleb 2017).…”
Section: Introductionmentioning
confidence: 99%