Bayesian Probabilistic Numerical Methods in Time-Dependent State Estimation for Industrial Hydrocyclone Equipment
工业水力旋流器动态状态估计中的贝叶斯概率数值方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究工业设备的动态逆问题与概率数值计算；时间演化和序贯计算本身不构成宏观时间序列分类依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
工业水力旋流器动态状态估计中的贝叶斯概率数值方法
- 研究问题
- 如何在工业水力旋流器液体悬浮物的动态状态估计中纳入物理方程求解误差，使不确定性量化反映计算精度的限制？
- 方法与思路
- 作者将状态估计视为随时间演化的逆问题，在贝叶斯模型中加入物理方程数值解误差，并置于序贯蒙特卡洛框架内计算。
- 材料陈述的贡献
- 摘要称该方法能够在计算量与精度之间进行有原则的权衡，避免忽略数值误差导致的过度自信推断，并提供优化的 Python 实现。
- 阅读关注点
- 应核对数值误差模型的构造及校准、其与测量误差的区分、序贯蒙特卡洛的实现，以及计算成本与不确定性覆盖的比较。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；误差模型假设、精度保障和实际计算增益未说明，不能确认所有误差来源均被覆盖。
原文摘要
The use of high-power industrial equipment, such as large-scale mixing equipment or a hydrocyclone for separation of particles in liquid suspension, demands careful monitoring to ensure correct operation. The fundamental task of state-estimation for the liquid suspension can be posed as a time-evolving inverse problem and solved with Bayesian statistical methods. In this article, we extend Bayesian methods to incorporate statistical models for the error that is incurred in the numerical solution of the physical governing equations. This enables full uncertainty quantification within a principled computation-precision trade-off, in contrast to the over-confident inferences that are obtained when all sources of numerical error are ignored. The method is cast within a sequential Monte Carlo framework and an optimized implementation is provided in Python.