Моделирование2020-12-31 · 1 мин

Применение машинного обучения (ML) и суррогатных моделей для оптимизации сложных процессов Фишера-Тропша

Представлено применение машинного обучения и суррогатных моделей для оптимизации сложных процессов Фишера-Тропша. Разработан фреймворк, в котором ресурсоемкие итерации Aspen Plus заменяются быстрыми предсказаниями ML-модели, устойчивыми к ошибкам сходимости. Это позволило проводить робастную структурную оптимизацию химического завода без прерываний из-за сбоев симулятора.

AspenPlusMachineLearningSurrogateModelingConvergenceFischerTropsch

Применение машинного обучения (ML) и суррогатных моделей для оптимизации сложных процессов Фишера-Тропша

Постановка задачи

В сложных нелинейных химических схемах (например, процесс Фишера-Тропша), состоящих из сотен аппаратов и уравнений, коммерческие решатели (solvers) часто сталкиваются с отказами сходимости (convergence failures). Цель состояла в замене строгой термодинамической модели суррогатной моделью для обеспечения стабильной многоуровневой оптимизации энергосистемы [cite: 5].

Программное обеспечение

Aspen Plus (версия 2019), Python (библиотека GPy для Гауссовских процессов) [cite: 5].

Методы и алгоритмы

Базовая симуляция: Разработана строгая модель в Aspen Plus (142 аппарата, 971 уравнение, 38 реакций).
Алгоритм ALAI (Active Learning): Внедрена стратегия активного обучения для непрерывного обогащения базы данных, на которой обучаются суррогатные модели.
Машинное обучение: Для замены сложных алгебраических блоков Aspen Plus использовалась регрессия на основе Гауссовских процессов (Gaussian Process Regression, GPR). В частности, применялась модель LVMOGP (Latent Variable Multiple Output Gaussian Processes) для учета корреляции между термодинамическими переменными на выходе (температуры, давления, энтальпии) [cite: 5].

Процесс валидации

Надежность суррогатных прогнозов тестировалась на выборках рабочих параметров установки Фишера-Тропша в рамках различных экономических сценариев и сравнивалась с результатами строгого решения в Aspen Plus.

Итоговые результаты

Создан фреймворк, где ресурсоемкие итерации Aspen Plus заменяются быстрыми предсказаниями ML-модели, устойчивыми к "шуму" (ошибкам сходимости). Это позволило проводить робастную структурную оптимизацию химического завода без прерываний из-за сбоев симулятора [cite: 5].

Источник

Машинное обучение: Для замены сложных алгебраических блоков Aspen Plus использовалась регрессия на основе Гауссовских процессов (Gaussian Process Regression, GPR). В частности, применялась модель LVMOGP (Latent Variable Multiple Output Gaussian Processes) для учета корреляции между термодинамическими переменными на выходе (температуры, давления, энтальпии) [cite: 5].

Процесс валидации

Итоговые результаты

Применение машинного обучения (ML) и суррогатных моделей для оптимизации сложных процессов Фишера-Тропша

Применение машинного обучения (ML) и суррогатных моделей для оптимизации сложных процессов Фишера-Тропша

Постановка задачи

Программное обеспечение

Методы и алгоритмы

Процесс валидации

Итоговые результаты

Источник

Теги

Применение машинного обучения (ML) и суррогатных моделей для оптимизации сложных процессов Фишера-Тропша

Применение машинного обучения (ML) и суррогатных моделей для оптимизации сложных процессов Фишера-Тропша

Постановка задачи

Программное обеспечение

Методы и алгоритмы

Процесс валидации

Итоговые результаты

Источник

Теги