ข้อมูลจากบทคัดย่อ
งานนี้เสนอ causal physics-informed neural network หรือ cPINN เพื่อจำลองจลนพลศาสตร์การสังเคราะห์ฟีนอลจากปฏิกิริยาหลอมด่างและทำให้เป็นกรด โดยแทนเครือข่ายสารเคมีเป็นระบบสมการเชิงอนุพันธ์ไม่เชิงเส้นและฝังกฎฟิสิกส์กับข้อจำกัดสโตอิชิโอเมทรีไว้ในฟังก์ชันความสูญเสีย ผู้เขียนระบุว่าแบบจำลองเรียนรู้เส้นทางความเข้มข้นและพารามิเตอร์ได้อย่างเสถียรในหลายค่าเริ่มต้นและช่วงเวลา และอาจใช้ประมาณพารามิเตอร์หรือวิเคราะห์เสถียรภาพของระบบปฏิกิริยาที่เกี่ยวข้องได้ อย่างไรก็ตามบทคัดย่อมีช่วงข้อมูลสำคัญขาดหาย ไม่รายงานตัวชี้วัดความคลาดเคลื่อน ชุดข้อมูลอ้างอิง หรือการเปรียบเทียบกับแบบจำลองอื่น จึงยังประเมินความแม่นยำและความสามารถในการใช้จริงไม่ได้
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 70/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Nonlinear Dynamics and Pattern Formation · Free Radicals and Antioxidants · Gene Regulatory Network Analysis
บทบาทของนักวิจัยและสถาบันไทย
Assad Ayub · King Mongkut's University of Technology North Bangkok
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง