Применение машинного обучения для обеспечения сходимости химико-технологических симуляций (COSMIC)
Представлена система COSMIC, использующая машинное обучение для решения проблемы сходимости строгих симуляторов (HYSYS, PRO/II) в сложных схемах с рециклами. COSMIC расширила область достижимых решений на 228%, позволяя рассчитывать ранее несходящиеся режимы.
Применение машинного обучения для обеспечения сходимости химико-технологических симуляций (COSMIC)
Представлена система COSMIC (Convergence by Surrogate-Assisted Optimization), использующая суррогатные модели машинного обучения для решения проблемы несходимости строгих симуляторов (HYSYS, PRO/II) в сложных схемах с рециклами.
Проблема
Традиционные решатели (Ньютона-Рафсона) часто не могут сойтись, и инженеру сложно определить причину: математический сбой или физическая невозможность процесса.
Решение COSMIC
Система выступает как "навигатор":
- Суррогатная модель ML "изучает" ландшафт сходимости.
- Направляет переменные симуляции в область, где решение существует.
- Передает управление традиционному строгому решателю для финального расчета.
Результаты тестов
На промышленных схемах (производство метанола, МЭА-очистка) COSMIC расширила "область достижимых решений" на 228%, позволяя рассчитывать ранее "несходящиеся" режимы.
Значение
Инструмент действует как "второй пилот" для инженера, радикально повышая эффективность работы со сложными моделями.
Теги
- #МашинноеОбучение
- #ML
- #Сходимость
- #ГибридноеМоделирование
- #Оптимизация