用于Itaconic酸生产仿真模型校准的深度学习
机器学习
2026-04-27 v1
摘要
本研究使用深度学习方法估计Itaconic酸生产中基于不同搅拌速度和反应器规模进行的实际批次实验所得的动力学参数。比较了两种深度学习策略，即直接深度学习（DDL）和生成条件流匹配（CFM），并将其与非线性回归作为参考方法进行基准测试。与DDL相比，CFM始终能产生更准确的结果。由CFM预测的浓度曲线与非线性回归得到的曲线高度吻合，而DDL结果则出现更大偏差。在规模放大实验中，CFM模型再次表现出比直接方法更好的泛化能力和鲁棒性。这些发现表明，CFM能够可靠地预测不同操作条件和规模下的系统行为，为动态生物工艺模型的参数估计提供了灵活且数据高效的框架。
引用
@article{arxiv.2604.22496,
title = {Deep Learning for Model Calibration in Simulation of Itaconic Acid Production},
author = {Daria Fokina and Marco Baldan and Constantin Romankiewicz and Wolfgang Laudensack and Roland Ulber and Michael Bortz},
journal= {arXiv preprint arXiv:2604.22496},
year = {2026}
}