arXiv cs.AI· Thomas Pallet (CRAN, LIFIA, Mgib), Mario Lezoche (CRAN, LS2N - {\'e}quipe CPS3, LS2N), Gianpaolo Leone (ENEA), Daniele Pizzichini (ENEA), Diego Torres (LIFIA, UNQ), Herv{\'e} Panetto (CRAN), M{\'e}lanie Glibusic (Mgib)·· 13 小时前AI 评分18
SFE-O：面向超临界 CO₂ 生物质萃取与分馏的知识驱动 AI 本体
SFE-O: An Ontology for Knowledge-Grounded AI in Supercritical CO$_2$ Biomass Extraction and Fractionation
AI 导读
研究团队提出 SFE-O，一个基于 OWL 2 的模块化本体，围绕生物质、过程与产物三个维度组织超临界 CO₂ 萃取知识，并显式表示过程拓扑、参数来源及传质现象与 CER/FER 机制。
正文 · AI 翻译
作者：Thomas Pallet（CRAN、LIFIA、Mgib）、Mario Lezoche（CRAN、LS2N - {é}quipe CPS3、LS2N）、Gianpaolo Leone（ENEA）、Daniele Pizzichini（ENEA）、Diego Torres（LIFIA、UNQ）、Herv{é} Panetto（CRAN）、M{é}lanie Glibusic（Mgib）
摘要：超临界 CO$_2$ 萃取（CO$_2$-SFE）为从生物质中回收高价值化合物提供了一条可持续途径，同时限制了传统有机溶剂的使用，但其设计与解读需要跨越生物质特性、操作条件、传质和产物分级的异构知识，这些知识通常分散在技术报告、工程模型、外部数据库和专家实践中。本文介绍 SFE-O，一种用于超临界 CO$_2$ 生物质萃取的模块化 Web 本体语言（OWL 2）本体，其结构围绕相互关联的生物质、过程和产物三个维度，并扩展了对过程拓扑、参数来源、外部与内部传质现象以及恒定萃取速率（CER）/下降萃取速率（FER）机制的显式表示。过程量之间的计算依赖关系被显式表示，而不在本体中嵌入数值求解，从而使输入、测量、计算、外部检索和拟合参数保持可追溯。SFE-O 复用了已有的语义资源（ChEBI、QUDT、OWL-Time、PROV-O），并通过一个实例化真实中试规模萃取批次的完整示例、基于推理器的一致性检查以及一个能力问题 SPARQL 查询进行了评估。所得知识模型为 SFE 过程的查询、一致性检查和机理说明提供了机器可操作的基础，并建立了一个知识层，可支持未来基于本体的 AI 推理，本文提出了这一方向但未对其进行评估。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.37123 [cs.AI] |
| （或 arXiv:2610.37123v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.37123 由 DataCite 颁发的 arXiv DOI（待注册） |
|
| 期刊 参考： | IEEE ICAI-TEMS 2026，信息技术在工程、管理与科学中的应用国际会议，2026 年 11 月，Pise (Italie)，Italy |
提交历史
来自：Thomas Pallet [查看电子邮件] [通过 CCSD 代理]
[v1]
2026 年 10 月 27 日星期二 12:21:50 UTC（108 KB）
来源：arXiv cs.AI · arxiv.org