Модульный фреймворк для многокритериальной оптимизации криогенной воздухоразделительной установки (ASU)

Вот профессиональный перевод и адаптация предоставленного текста на русский язык. Текст расширен для улучшения читаемости и сохранения технической глубины, все численные значения, имена, даты и термины сохранены.

---

Оригинальный текст (адаптированный и расширенный):

Криогенное разделение воздуха характеризуется крайне нелинейным термодинамическим поведением, особенно вблизи критических точек кипения ключевых компонентов — азота, кислорода и аргона. В таких условиях традиционные методы градиентного спуска часто оказываются неэффективными, так как они склонны к застреванию в локальных оптимумах, что приводит к выдаче некорректных или технологически нереализуемых режимов работы установки.

Постановка задачи: Оптимизация операционных параметров установки разделения воздуха (ASU — Air Separation Unit) с учётом трёх конфликтующих целевых функций:

• аннуитетного денежного потока (Cash Flow);
• эффективности сжатия газа;
• капитальных затрат (CAPEX).

Используемое программное обеспечение и версии:

• AVEVA PRO/II (стационарный симулятор технологических процессов);
• Язык программирования Python.

Методология и архитектура решения: Разработан уникальный модульный вычислительный фреймворк. В качестве расчётного термодинамического ядра используется стационарный симулятор PRO/II. Взаимодействие с экосистемой Python организовано через технологию Component Object Model (COM). Сервер PRO/II COM предоставляет полный программный доступ к базе данных симуляции, включая возможность чтения и записи всех тегов — как входных, так и выходных параметров модели.

На стороне Python реализованы передовые эволюционные алгоритмы многокритериальной оптимизации (MOO — Multi-Objective Optimization), а именно:

• NSGA-III (Nondominated Sorting Genetic Algorithm III);
• UNSGA-III (модификация с улучшенным покрытием унимодальных функций).

Валидация и полученные результаты: Решением системы, включающей 11 переменных решений, стала трёхмерная граница Парето (3-D Pareto front). Она наглядно демонстрирует инженерам-технологам операционные окна, представляющие оптимальные компромиссы между всеми тремя целевыми функциями.

Алгоритм NSGA-III показал значительное превосходство над встроенными детерминированными решателями среды AVEVA PRO/II. Это объясняется его способностью эффективно обрабатывать сложные невыпуклые (non-convex) математические домены поиска решений, характерные для криогенных процессов.

Особое внимание уделено надёжности симуляции: на каждой итерации генерации нового генома в рамках эволюционного алгоритма выполнялась автоматическая верификация сходимости расчёта. Это гарантирует, что каждая сгенерированная точка на границе Парето соответствует физически корректному и сходящемуся состоянию модели, исключая артефакты численной нестабильности.

Источник

Источник

Теги

• #PROII
• #Python
• #Оптимизация
• #ASU
• #MachineLearning

Источник: https://pmc.ncbi.nlm.nih.gov/articles/PMC9017109/

#PROII #Python #Оптимизация #ASU #MachineLearning