Байесовская символьная регрессия для замены строгих моделей Aspen HYSYS аналитическими корреляциями
Строгие модели Aspen HYSYS часто имеют проблемы со сходимостью при изменении входных параметров. Инженеры предложили заменять их аналитическими корреляциями, полученными методом байесовской символьной регрессии. Валидация на процессе абсорбции природного газа показала среднюю абсолютную ошибку менее 1-2%.
Байесовская символьная регрессия для замены строгих моделей Aspen HYSYS аналитическими корреляциями
Вот адаптированный и расширенный вариант текста, выполненный в профессиональном научно-техническом стиле. Все ключевые данные, названия, версии ПО и численные значения сохранены.
Адаптированный текст:
Основным недостатком строгих (фундаментальных) моделей, построенных на первых принципах (first-principles models), является их склонность к потере сходимости при варьировании входных параметров процесса. Для решения этой проблемы инженерами был предложен подход, заключающийся в замене громоздких симуляционных моделей из среды Aspen HYSYS (версии v11/v12) компактными аналитическими уравнениями.
В основе данного метода лежит Байесовская символьная регрессия (Bayesian Symbolic Regression) — подход машинного обучения, который автоматически генерирует явные алгебраические уравнения. Оптимальная математическая форма выражения выбирается из множества возможных функциональных деревьев на основе байесовских вероятностных законов. Ключевым преимуществом алгоритма является получение полностью интерпретируемых алгебраических зависимостей.
Валидация предложенной методологии была выполнена на примере процесса абсорбции и десорбции природного газа (модельная смесь: 80% мол. CH₄ и 20% мол. CO₂, условия процесса: давление 30 бар, температура 50 °C). Эталонная модель процесса была реализована в среде Aspen HYSYS с использованием термодинамического пакета Peng-Robinson.
Полученные результаты продемонстрировали исключительно высокую точность синтезированных алгебраических корреляций. Средняя абсолютная ошибка (MAE) по ключевым технологическим параметрам не превысила 1–2%. Достигнутая точность позволяет напрямую использовать данные аналитические выражения для проведения технико-экономических расчетов, полностью исключая необходимость повторного запуска ресурсоемких симуляций.
Теги
- #AspenHYSYS
- #BayesianLearning
- #SurrogateModel
- #Регрессия
Источник: https://pubs.acs.org/doi/10.1021/acsomega.2c04736
#AspenHYSYS #BayesianLearning #SurrogateModel #Регрессия