Инженерные разборы, кейсы Aspen HYSYS, патенты и технологии ежедневно в Telegram.
Использование реактора RGibbs для получения термодинамических данных равновесия синтеза метана
Создание надежной кинетической модели гидрирования CO2 в метан с использованием машинного обучения. Использовался реактор RGibbs для генерации термодинамических точек равновесия. Результат — набор мягких ограничений для обучения нейросети.
Вот профессиональный, развернутый перевод и адаптация вашего текста на русский язык с сохранением всех технических деталей, цифр, дат и именований:
Создание надежной кинетической модели гидрирования CO₂ в метан (CH₄) с использованием алгоритмов машинного обучения
В рамках данной работы решалась задача построения кинетической модели процесса гидрирования диоксида углерода (CO₂) в метан (CH₄), обладающей высокой предсказательной способностью. Для обеспечения физической корректности модели на этапе обучения нейросети применялся подход, основанный на генерации граничных термодинамических условий (точек равновесия) с использованием среды Aspen Plus. Это позволило нейросети обучаться с учетом фундаментальных термодинамических ограничений, накладываемых на процесс.
В качестве инструмента для моделирования использовался пакет Aspen Plus версии V14. Моделирование проводилось в условиях изотермического равновесия с применением пакета термодинамических свойств Peng-Robinson, который обеспечивает высокую точность расчета фазового поведения систем, содержащих углеводороды и газы.
Для генерации равновесных составов применялся реактор минимизации свободной энергии Гиббса (RGibbs). Диапазон рабочих температур составил от 200 до 600 °C, давление поддерживалось на уровне 3 бар. Использование данного метода позволяет рассчитывать равновесный состав реакционной смеси без необходимости прямого задания констант скоростей химических реакций, что особенно важно при отсутствии априорной кинетической информации.
Сгенерированные точки термодинамического равновесия прошли процедуру валидации на основе экспериментальных данных, полученных при очень низких объемных скоростях подачи газа (GHSV < 1000 ч⁻¹). В таких условиях процесс физически достигает термодинамического равновесия, что делает экспериментальные данные надежным эталоном для верификации расчетов.
Результатом данной работы стало формирование набора так называемых «мягких ограничений» (soft constraints) для последующего обучения нейронной сети. В качестве функции активации использовалась ReLU (Rectified Linear Unit). Такой подход позволил создать модель типа «черный ящик», которая, тем не менее, не нарушает фундаментальные законы термодинамики. Кинетика как таковая в явном виде не задавалась: состав реакционной смеси определялся исключительно на основе фундаментального термодинамического расчета минимума энергии Гиббса с использованием встроенных в Aspen Plus данных по энтальпиям и энтропиям образования компонентов.
Источник: https://pubs.acs.org/doi/10.1021/acs.iecr.5c02947
#AspenPlus #RGibbs #Thermodynamics #MachineLearning #CO2Hydrogenation