En la cocción kraft continua, los indicadores clave de calidad, como el número Kappa y la viscosidad de la pulpa, se suelen medir fuera de línea a baja frecuencia, lo que limita el monitoreo y control de calidad en tiempo real. Aunque los sensores suaves impulsados por datos han mostrado potencial para la predicción de calidad, su rendimiento a menudo se ve restringido por datos etiquetados limitados y una débil consistencia física. Además, los estudios existentes se han centrado principalmente en la predicción de un solo objetivo, mientras que la predicción acoplada del número Kappa y la viscosidad de la pulpa sigue sin ser suficientemente explorada a pesar de su dependencia común de las condiciones de cocción y la cinética de degradación. Para abordar estos problemas, este estudio propone un marco de aprendizaje multi-tarea guiado por la física (PG-MTL) para la predicción simultánea del número Kappa y la viscosidad de la pulpa. El modelo combina una arquitectura multi-tarea con intercambio de parámetros duros con una restricción de monotonía guiada por la física que impone la tendencia Kappa no creciente esperada con el aumento del factor H. También se utiliza un peso de incertidumbre homoscedástico para equilibrar las dos tareas de regresión durante la optimización. Los experimentos con datos de operación industrial muestran que el PG-MTL alcanzó R2 = 0.920 para el número Kappa y R2 = 0.910 para la viscosidad de la pulpa. En comparación con el modelo de referencia más fuerte, el RMSE se redujo en un 23.2% y un 29.5% para el número Kappa y la viscosidad de la pulpa, respectivamente. Estos resultados demuestran que el PG-MTL proporciona una solución efectiva y físicamente consistente para la detección suave de calidad de pulpa en condiciones industriales de muestras pequeñas.
Zhang et al. (Tue,) estudiaron esta cuestión.