研究人员开发了一个利用物理信息神经网络（PINNs）估算液液分离过程中密集堆积区高度的新颖框架。该方法将预先在合成数据和简化的机械模型上训练的PINN与现成的体积流量测量相结合。然后，该系统使用有限的实验数据进行微调，并集成到扩展卡尔曼滤波器中，以实现无需直接测量即可进行准确的实时相高度跟踪。 AI
影响 这种基于PINN的方法为化工和制药行业关键分离过程的监测提供了一种更具成本效益和准确性的方法。
排序理由 这是一篇研究论文，详细介绍了PINNs在特定工程问题中的新颖应用。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2601.18399v2 Announce Type: replace Abstract: Separating liquid-liquid dispersions in gravity settlers is critical in chemical, pharmaceutical, and recycling processes. The dense-packed zone height is an important performance and safety indicator but it is often expensive a…