开发稳态和动态质量和能量受约束神经网络,用于使用噪音短暂数据的分布式化学系统
Angan Mukherjee1, Debangsu Bhattacharyya1
1Department of Chemical and Biomedical Engineering, West Virginia University, Morgantown, West Virginia 26506, United States.
Industrial & engineering chemistry research
|August 19, 2024
概括
新的算法确保化学过程模型精确保存质量和能量,即使有噪音数据. 这保证了对动态系统的保存规律的遵守,提高了模型的准确性.
科学领域:
- 化学工程是化学工程的重要组成部分.
- 人工智能的人工智能
- 工艺系统工程 工艺系统工程
背景情况:
- 精确的化学过程建模对于效率和安全至关重要.
- 现有的神经网络模型往往难以严格执行诸如质量和能量保存之类的物理定律,特别是在有噪音数据的情况下.
- 数据驱动的方法提供了灵活性,但需要强大的方法来保证物理约束.
研究的目的:
- 为质量和能量受约束的神经网络模型开发新的算法.
- 为了确保分布式化学过程系统中质量和能量的精确保存.
- 提供一种有保证的方法来满足保护法的要求,与软惩罚技术不同.
主要方法:
- 开发用于平等受约束的非线性优化问题的算法.
- 为分布式系统利用混合系列和并行动态静态神经网络.
- 使用具有不同噪声特征的稳态和动态数据进行验证.
主要成果:
- 算法成功地保证了动态化学过程的精确质量和能量保存.
- 在各种案例研究中,实现了根平均平方误差低于1%.
- 对于动态流程的系统延迟信息,证明了灵活性.
结论:
- 开发的数据驱动算法为化学过程的准确和物理约束的建模提供了强大的框架.
- 质量能量受约束的神经网络比动态系统建模的传统方法有了显著的改进.
- 该方法适用于各种化学工程系统,包括反应堆和热交换器.
