Development of a PAT platform for the prediction of granule tableting properties

压片 造粒 均方误差 偏最小二乘回归 颗粒(地质) 压实 生物系统 极限抗拉强度 人工神经网络 材料科学 计算机科学 数学 人工智能 统计 复合材料 生物
作者
Tibor Casian,Brigitta Nagy,Cristiana Lazurca,Victor Marcu,Erzsébet Orsolya Tőkés,Éva Katalin Kelemen,Katalin Zöldi,Radu Oprean,Zsombor Kristóf Nagy,Ioan Tomuţă,Béla Kovács
出处
期刊:International Journal of Pharmaceutics [Elsevier]
卷期号:648: 123610-123610 被引量:2
标识
DOI:10.1016/j.ijpharm.2023.123610
摘要

In this work, the feasibility of implementing a process analytical technology (PAT) platform consisting of Near Infrared Spectroscopy (NIR) and particle size distribution (PSD) analysis was evaluated for the prediction of granule downstream processability. A Design of Experiments-based calibration set was prepared using a fluid bed melt granulation process by varying the binder content, granulation time, and granulation temperature. The granule samples were characterized using PAT tools and a compaction simulator in the 100-500 kg load range. Comparing the systematic variability in NIR and PSD data, their complementarity was demonstrated by identifying joint and unique sources of variation. These particularities of the data explained some differences in the performance of individual models. Regarding the fusion of data sources, the input data structure for partial least squares (PLS) based models did not significantly impact the predictive performance, as the root mean squared error of prediction (RMSEP) values were similar. Comparing PLS and artificial neural network (ANN) models, it was observed that the ANNs systematically provided superior model performance. For example, the best tensile strength, ejection stress, and detachment stress prediction with ANN resulted in an RMSEP of 0.119, 0.256, and 0.293 as opposed to the 0.180, 0.395, and 0.430 RMSEPs of the PLS models, respectively. Finally, the robustness of the developed models was assessed.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
mawenting完成签到 ,获得积分10
刚刚
zeke完成签到,获得积分10
1秒前
科研通AI5应助solobang采纳,获得10
2秒前
2秒前
小宇OvO发布了新的文献求助10
3秒前
3秒前
忘羡222完成签到,获得积分10
3秒前
专一发布了新的文献求助10
5秒前
跳跃曼文完成签到,获得积分10
6秒前
干将莫邪完成签到,获得积分10
7秒前
SYLH应助exile采纳,获得10
7秒前
小二郎应助魔幻的从梦采纳,获得10
8秒前
9秒前
雪鸽鸽发布了新的文献求助10
9秒前
10秒前
11秒前
11秒前
12秒前
科研通AI5应助朱一龙采纳,获得30
13秒前
SharonDu完成签到 ,获得积分10
14秒前
ayin完成签到,获得积分10
14秒前
15秒前
15秒前
啦啦啦完成签到,获得积分10
15秒前
coffee发布了新的文献求助10
16秒前
16秒前
科研混子发布了新的文献求助10
16秒前
咿咿呀呀发布了新的文献求助10
16秒前
酷酷碧发布了新的文献求助10
18秒前
飘逸宛丝完成签到,获得积分10
19秒前
qzaima发布了新的文献求助10
19秒前
米酒完成签到,获得积分10
21秒前
step_stone给step_stone的求助进行了留言
21秒前
乐乐应助ayin采纳,获得10
22秒前
无花果应助hhh采纳,获得10
24秒前
叁壹粑粑完成签到,获得积分10
25秒前
酷酷碧完成签到,获得积分10
25秒前
26秒前
磕盐民工完成签到,获得积分10
27秒前
27秒前
高分求助中
Continuum Thermodynamics and Material Modelling 3000
Production Logging: Theoretical and Interpretive Elements 2700
Ensartinib (Ensacove) for Non-Small Cell Lung Cancer 1000
Unseen Mendieta: The Unpublished Works of Ana Mendieta 1000
Bacterial collagenases and their clinical applications 800
El viaje de una vida: Memorias de María Lecea 800
Luis Lacasa - Sobre esto y aquello 700
热门求助领域 (近24小时)
化学 材料科学 生物 医学 工程类 有机化学 生物化学 物理 纳米技术 计算机科学 内科学 化学工程 复合材料 基因 遗传学 物理化学 催化作用 量子力学 光电子学 冶金
热门帖子
关注 科研通微信公众号,转发送积分 3527990
求助须知:如何正确求助?哪些是违规求助? 3108173
关于积分的说明 9287913
捐赠科研通 2805882
什么是DOI,文献DOI怎么找? 1540119
邀请新用户注册赠送积分活动 716941
科研通“疑难数据库(出版商)”最低求助积分说明 709824