Интеграция XGBoost и SVR с Aspen HYSYS для ускорения оптимизации процесса улавливания CO2
Исследователи интегрировали модели XGBoost и SVR с Aspen HYSYS для ускорения симуляции процесса улавливания CO2. Модели обучили на более чем 4300 сценариях, достигнув R² > 90%. ML-предсказание занимает 0.022 секунды против 3.15 секунд в HYSYS, что позволило применить оптимизацию PSO и SA для нахождения оптимальных параметров улавливания.
Интеграция XGBoost и SVR с Aspen HYSYS для ускорения оптимизации процесса улавливания CO2
Вот переведённый и адаптированный текст статьи. Я сохранил все числовые значения, даты, названия алгоритмов и технические детали, при этом расширил описание для лучшего понимания контекста и профессиональной глубины.
Цель исследования и постановка задачи
Основной целью данной работы являлось радикальное ускорение вычислительных процессов симуляции постгорячего (посткомбастин) улавливания диоксида углерода (Postcombustion Carbon Capture, PCC) для последующего использования в системах онлайн-оптимизации. Исходная симуляция, построенная в среде Aspen HYSYS, представляла собой стационарную (steady-state) модель, которая при всех своих достоинствах обладала слишком высокой вычислительной загрузкой для применения в режиме реального времени. Для решения этой проблемы была предложена методология, основанная на аппроксимации дорогостоящей физико-химической модели с помощью моделей машинного обучения (Machine Learning, ML).
Генерация данных и подготовка обучающей выборки
Для создания репрезентативного набора данных был разработан скрипт на языке Python. Этот скрипт напрямую взаимодействовал с Aspen HYSYS через его внутренний API, что позволяло автоматически изменять управляющие переменные модели и запускать итеративные расчёты. В результате такой автоматизации было сгенерировано более 4 300 уникальных сценариев работы установки PCC. Каждый сценарий представлял собой сочетание различных значений ключевых параметров процесса. Полученный массив данных был использован в качестве обучающей и тестовой выборки для построения суррогатных моделей.
Разработка и валидация суррогатных ML-моделей
Для аппроксимации поведения полной модели в Aspen HYSYS были выбраны два алгоритма регрессии: XGBoost (алгоритм экстремального градиентного бустинга) и SVR (метод опорных векторов для регрессии). Валидация построенных моделей показала высокую точность: значение коэффициента детерминации (R²) для обеих моделей превысило 90%. Это свидетельствует о том, что ML-модели способны с высокой степенью достоверности воспроизводить результаты эталонных симуляций.
Ключевые результаты и прирост производительности
Основным достижением стало кардинальное сокращение времени вычислений. Если полный расчёт одного сценария в Aspen HYSYS занимает в среднем 3.15 секунды, то предсказание аналогичного состояния процесса с помощью обученной ML-модели выполняется всего за 0.022 секунды. Таким образом, достигается ускорение более чем в 140 раз, что открывает возможность для интеграции модели в контуры оперативного управления и оптимизации.
Интеграция и финальная оптимизация процесса
Разработанные ML-модели были интегрированы в два алгоритма глобальной оптимизации: метод роя частиц (Particle Swarm Optimization, PSO) и метод имитации отжига (Simulated Annealing, SA). Применение гибридного подхода «ML + оптимизатор» позволило найти оптимальную рабочую точку технологического процесса. Полученные значения ключевых показателей составили:
- Степень улавливания CO₂ (Capture Ratio, CR): 72.2%.
- Удельная нагрузка на ребойлер (Specific Reboiler Duty, SRD): 4.3 МДж/кг абсорбированного CO₂.
Достигнутый результат подтверждает, что предложенная методология эффективна для задач, требующих высокой скорости расчёта, и может быть использована для построения цифровых двойников (digital twins) и систем реального времени в промышленности.
Теги
- #AspenHYSYS
- #MachineLearning
- #CO2Capture
- #Оптимизация
- #Python
Источник: https://www.mdpi.com/2227-9717/10/12/2727
#AspenHYSYS #MachineLearning #CO2Capture #Оптимизация #Python