دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Modelling and Optimization of Biotechnological Processes: Artificial Intelligence Approaches
دانلود کتاب مدل سازی و بهینه سازی فرآیندهای بیوتکنولوژیکی: رویکردهای هوش مصنوعی
مشخصات کتاب
Modelling and Optimization of Biotechnological Processes: Artificial Intelligence Approaches
ویرایش: 1 نویسندگان: Lei Zhi Chen Dr., Xiao Dong Chen Professor Dr., Sing Kiong Nguang Professor Dr. (auth.) سری: Studies in Computational Intelligence 15 ISBN (شابک) : 9783540306344, 9783540324935 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2006 تعداد صفحات: 128 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
قیمت کتاب (تومان) : 36,000
کلمات کلیدی مربوط به کتاب مدل سازی و بهینه سازی فرآیندهای بیوتکنولوژیکی: رویکردهای هوش مصنوعی: کاربرد ریاضیات/روش های محاسباتی مهندسی، هوش مصنوعی (شامل رباتیک)، مهندسی زیست پزشکی، بیوانفورماتیک
در صورت تبدیل فایل کتاب Modelling and Optimization of Biotechnological Processes: Artificial Intelligence Approaches به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب مدل سازی و بهینه سازی فرآیندهای بیوتکنولوژیکی: رویکردهای هوش مصنوعی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب مدل سازی و بهینه سازی فرآیندهای بیوتکنولوژیکی: رویکردهای هوش مصنوعی
این کتاب رویکردهای منطقی برای نظارت، مدل‌سازی و بهینه‌سازی فرآیندهای تخمیر دسته‌ای مبتنی بر روش‌های هوش مصنوعی، به‌ویژه شبکه‌های عصبی و الگوریتم‌های ژنتیک را ارائه می‌کند. هر دو شبیه سازی کامپیوتری و اعتبار سنجی تجربی در این کتاب نشان داده شده اند. رویکردهای ارائه شده در این کتاب را می توان به آسانی برای فرآیندهای مختلف و طرح های کنترلی برای دستیابی به حداکثر بهره وری با حداقل هزینه های توسعه و تولید به کار گرفت. این رویکردها می‌توانند دشواری‌های تعیین کامل ساختارها و پارامترهای مدل‌های فرآیند زیستی بسیار غیرخطی را از بین ببرند.
کتاب با مقدمه ای تاریخی در زمینه کنترل فرآیندهای زیستی بر اساس رویکردهای هوش مصنوعی آغاز می شود و به دنبال آن دو فصل بهینه سازی فرهنگ تغذیه دسته ای با استفاده از الگوریتم های ژنتیک را پوشش می دهد. حسگرهای نرم زیست توده آنلاین در فصل 4 با استفاده از شبکه های عصبی بازگشتی ساخته شده اند. سپس فرآیند زیستی در فصل 5 با آبشاری دو شبکه عصبی حسگر نرم مدل‌سازی می‌شود. بهینه سازی و اعتبار سنجی محصول نهایی در فصل های 6 و 7 به تفصیل آمده است. نتیجه گیری کلی در فصل 8 ارائه شده است.
توضیحاتی درمورد کتاب به خارجی
This book presents logical approaches to monitoring, modelling and optimization of fed-batch fermentation processes based on artificial intelligence methods, in particular, neural networks and genetic algorithms. Both computer simulation and experimental validation are demonstrated in this book. The approaches proposed in this book can be readily adopted for different processes and control schemes to achieve maximum productivity with minimum development and production costs. These approaches can eliminate the difficulties of having to specify completely the structures and parameters of highly nonlinear bioprocess models.
The book begins with a historical introduction to the field of bioprocess control based on artificial intelligence approaches, followed by two chapters covering the optimization of fed-batch culture using genetic algorithms. Online biomass soft-sensors are constructed in Chapter 4 using recurrent neural networks. The bioprocess is then modelled in Chapter 5 by cascading two soft-sensor neural networks. Optimization and validation of the final product are detailed in Chapters 6 and 7. The general conclusions are drawn in Chapter 8.
فهرست مطالب
front-matter.pdf......Page 1
1.1 Fermentation Processes......Page 9
1.2 Fed-Batch Fermentation Processes by Conventional Methods......Page 12
1.3 Artificial Intelligence for Optimal Fermentation Control......Page 15
1.4 Why is Artificial Intelligence Attractive for Fermentation Control......Page 20
1.7 Book Organization......Page 22
2.1 Introduction......Page 25
2.2 Proposed Model and Problem Formulation......Page 26
2.3 Genetic Algorithm......Page 27
2.4 Optimization using Genetic Algorithms based on the Process Model......Page 28
2.5 Numerical Results......Page 29
2.6 Conclusions......Page 35
3.1 Introduction......Page 36
3.2 Fed-batch Model and Problem Formulation......Page 37
3.3 Methodology Proposed......Page 38
3.4 Numerical Results......Page 39
3.5 Summary......Page 47
4.1 Introduction......Page 48
4.2 Softsensor Structure Determination and Implementation......Page 49
4.3 Experimental Verification......Page 56
4.4 Conclusions......Page 63
5.1 Introduction......Page 64
5.3 Development of Dynamic Neural Network Model......Page 65
5.4 Biomass Predictions using the Neural Model......Page 69
5.5 Optimization of Feed Rate Profiles......Page 73
5.6 Summary......Page 77
6.1 Introduction......Page 78
6.2 Dynamic Models......Page 79
6.3 Experimental Procedure......Page 81
6.4 Model Identification......Page 87
6.5 Conclusions......Page 96
7.1 Definition of an Optimal Feed Rate Profile......Page 97
7.2 Formulation of the Optimization Problem......Page 100
7.3 Optimization Procedure......Page 101
7.4 Optimization Results and Discussion......Page 103
7.5 Conclusions......Page 114
8.1 General Conclusions......Page 115
8.2 Suggestions for Future Research......Page 116
back-matter.pdf......Page 117
