30889

استفاده از يادگيري ماشين جهت كاهش فضاي جستجو در انتخاب چيدمان بهينه برج هاي تقطير براي مخلوط هاي هيدروكربني

كارشناسي ارشد

مهندسي شيمي گرايش مدلسازي، شبيه سازي و كنترل فرايندها

1399

1402/11/30

دكتر نوراله كثيري - جواد ايوك پور

ندارم

مهندسي شيمي، نفت و گاز

با توجه به پيشرفت روزافزون علم داده و كاربرد الگوريتم‌هاي مختلف هوش مصنوعي در علوم مختلف، در اين كار براي نخستين بار به طور مستقيم از مدل‌هاي يادگيري ماشين در راستاي پيدا كردن چيدمان بهينه استفاده‌شده است. براي اين مهم بانك داده جامعي موردنياز است كه باتوجه‌به خلأ داده‌هاي موجود در تحقيقات انجام‌شده تاكنون و زمان‌بر بودن توليد اين داده‌ها با روش‌هاي شبيه‌سازي دقيق، از روش‌هاي تخميني (ميان‌بر) براي جمع‌آوري آن بهره گرفته شده‌است؛ بنابراين ابتدا صحت عملكرد اين روش‌ها مورد بررسي قرار گرفت. به‌منظور پياده‌سازي اين روش‌ها و بررسي عملكرد آن‌ها سامانه يكپارچه‌اي در بستر زبان برنامه‌نويسي پايتون ايجاد شد. در اين سامانه پس از تعريف جريان خوراك توسط كاربر، كار ايجاد چيدمان‌ها و برج‌هاي مربوطه با استفاده از الگوريتم ماتريس جداسازي انجام مي‌شود. سپس هر چيدمان با به‌كارگيري الگوريتم Teaching-Learning-Studying-Based-Optimization (TLSBO) يك بار روي روش طراحي ميان‌بر (FUG) به‌منظور بهينه‌سازي فشارها و بار ديگر روي روش شبيه‌سازي گروهي (GM) براي بهينه‌سازي متغيرهاي عملياتي چيدمان، كار بهينه‌سازي را انجام مي‌دهد. اين مهم با بهره‌گيري از ابزار پردازش موازي انجام مي‌گيرد تا از نهايت ظرفيت پردازنده استفاده شود كه با توجه به چهارهسته‌اي بودن پردازنده مورد استفاده، سرعت بهينه‌سازي ها تا حدود چهاربرابر افزايش يافت. در نهايت بهينه‌سازي هر چيدمان با خوراك سه‌جزئي و چهارجزئي به ترتيب برابر با 7 و 15 دقيقه براي روش گروهي و همچنين 25 و 60 ثانيه براي روش طراحي ميانبر به طور ميانگين محاسبه شد. سپس روشي جديد براي كاهش فضاي جستجو با استفاده از نتايج بهينه‌سازي چيدمان‌ها ارائه شد كه در آن هر چيدمان با توجه به اختلاف TAC آن از مقدار ميانگين، مناسب يا نامناسب تلقي شده و نامناسب‌ها حذف مي‌شوند. اين روش كاهش فضاي جستجو براي يازده خوراك مختلف مورد بررسي قرار گرفت و نتايج آن با روش شبيه‌سازي دقيق مقايسه شد. به‌صورت ميانگين روش FUG موفق به حذف 45.5%و روش GM موفق به حذف 46% از فضاي جستجو شدند و اين مقدار با تركيب دو روش به 56% فضاها افزايش يافت. با توجه به اين نتايج، بانك داده‌اي جامع با 840 خوراك مختلف و تعيين چيدمان‌هاي حذف‌شده و چيدمان‌هاي باقيمانده براي هر خوراك تهيه شد. اين بانك داده پس از انجام مراحل پيش‌پردازش مانند هم‌مقياس كردن داده‌ها و تبديل متغيرهاي دسته‌اي به عددي، براي آموزش مدل‌هاي يادگيري ماشين مورداستفاده قرار گرفت. مدل‌هايي كه مورداستفاده قرار گرفتند شامل مدل‌هاي رگرسيون لجستيك، نزديك‌ترين همسايه، درخت تصميم، جنگل تصادفي، شبكه عصبي MLP و ماشين بردار پشتيبان بودند كه براي طبقه‌بندي داده‌ها بر اساس حذف‌شدن يا باقي‌ماندن چيدمان آموزش ديدند. پس از تقسيم داده‌ها به دو بخش آموزش و آزمايش و اقداماتي نظير اعتبارسنجي متقابل براي جلوگيري از بيش‌برازش، مدل‌هاي ياد شده آموزش ديدند و معيار دقت (Accuracy) آن‌ها روي داده‌هاي آزمايش به ترتيب برابر با 0.760، 0.924، 0.926، 0.929، 0.968 و 0.936 محاسبه شد.

1403/02/22

Applying machine learning to reduce the search space in optimal distillation column sequence selection for hydrocarbon mixtures

1/1/1900 12:00:00 AM

With the increasing progress of data science and the application of different artificial intelligence algorithms in different sciences, machine learning models have been used for the first time in this work in order to find the optimal arrangement. For this purpose, a comprehensive data bank is needed, and due to the data gap in the research conducted so far and the time-consuming nature of producing this data with accurate simulation methods, approximate methods (shortcuts) were used to do this; Therefore, the correctness of the performance of these methods was checked first. In order to implement these methods and check their performance, an integrated system was created in the platform of Python programming language. In this system, after defining the feed flow by the user, the work of creating the relevant layouts and towers is done using the separation matrix algorithm. Then, each layout performs the optimization work by applying the Teaching-Learning-Studying-Based-Optimization (TLSBO) algorithm once on the shortcut design method (FUG) in order to optimize the pressures and again on the group simulation method (GM) to optimize the operational variables of the layout. This is done by using parallel processing tools to use the maximum capacity of the processor. Then, the layouts are considered suitable or unsuitable according to the difference of their TAC from the average value, and the unsuitable ones are removed. This search space reduction method was investigated for 11 feeds and its results were compared with the exact simulation method. On average, the FUG method succeeded in removing 45.5% and the GM method succeeded in removing 46% of the search space, and this value increased to 56% of the spaces by combining the two methods. According to these results, a comprehensive data bank was prepared with 840 different feeds and determination of deleted and remaining arrangements for each feed. This data bank was used for training machine learning models after performing pre-processing steps such as scaling the data and converting categorical variables to numeric. The models used included logistic regression, k-nearest neighbor, decision tree, random forest, MLP neural network, and support vector machine models, which were trained to classify the data based on the deletion or retention of the arrangement. After dividing the data into two parts of training and testing and measures such as cross-validation to prevent overfitting, the mentioned models were trained and their accuracy on the test data was 0.760, 0.924, 0.926, 0.929 ,0.968 and 0.936 were calculated respectively.

چيدمان تقطير , فضاي جستجو , طراحي ميانبر , شبيه سازي گروهي , يادگيري ماشين

distillation sequencing , search space , shortcut design , group simulation , machine learning

Amir Ahmadvand

Norollah Kasiri, Javad Ivakpour