物理信息神经网络用于监测使用颗粒过器的硫酸盐离子吸附过程
Wancley O Pedruzzi1, Carlos Eduardo R Dalla2, Wellington B DA Silva1,3,2
1Universidade Federal do Espírito Santo, Programa de Pós-Graduação em Engenharia Química, Alto Universitário, s/n, Guararema, 29500-000 Alegre, ES, Brazil.
Anais da Academia Brasileira de Ciencias
|November 28, 2024
概括
物理信息神经网络 (PINNs) 提供了一种新的AI方法,用于模拟固定床吸附柱中的水净化. 这种方法准确地预测突破曲线并量化实验不确定性,推进吸附过程建模.
科学领域:
- 环境工程 环境工程
- 计算科学 计算科学
- 人工智能的人工智能
背景情况:
- 固定床柱对于净水至关重要,已建立模型来预测溶液吸附.
- 扩展吸附柱模型需要在不同的操作参数下准确预测突破曲线.
研究的目的:
- 引入和评估一个物理信息的神经网络 (PINN) 作为一种人工智能驱动的方法,用于模拟固定床柱中的吸附.
- 将PINN方法与传统的有限体积方法和实验数据进行比较.
- 将PINNs与贝叶斯技术集成为增强状态估计和不确定性量化.
主要方法:
- 开发一个物理信息神经网络 (PINN) 来解决控制吸附的部分微分方程.
- 将PINN与采样重要性重新采样颗粒过器进行合,以测量顺序状态.
- 使用有限体积方法和实验吸附数据验证PINN模型.
主要成果:
- PINN有效地解决了吸附模型,证明了它在预测突破曲线方面的能力.
- 合PINN-粒子波器系统准确地估计了工艺状态,并量化了测量不确定性.
- PINNs显示出作为一个先进的建模工具,用于测量序列吸附过程的潜力.
结论:
- 基于物理的神经网络代表了一种强大而新兴的计算方法,用于净化水中的吸附建模.
- 将PINN与贝叶斯选集成为实时流程监控和不确定性分析提供了一个强大的框架.
- 这种人工智能驱动的方法在模拟顺序吸附过程中提供了进化,提高了预测准确性和可靠性.
