面向化工工艺流程图机器学习的数据增强
机器学习
2024-01-17 v1 最优化与控制
摘要
人工智能在加速化工过程设计与工程化方面具有巨大潜力。最近，我们证明了基于 Transformer 的语言模型能够学习使用 SFILES 2.0 字符串表示法自动补全化工工艺流程图。此外，我们还证明了语言翻译模型可用于将工艺流程图（PFD）转化为管道及仪表流程图（P&ID）。然而，人工智能方法需要大数据，而目前的流程图数据有限。为缓解这一数据有限的挑战，我们提出了一种针对 SFILES 2.0 表示法表示的流程图数据的新数据增强方法。我们表明，所提出的数据增强方法提升了基于人工智能的工艺设计模型的性能。在我们的案例研究中，流程图数据增强将流程图自动补全模型的预测不确定性降低了 14.7%。未来，我们的流程图数据增强方法可用于基于 SFILES 表示法的化工工艺流程图的其他机器学习算法。
引用
@article{arxiv.2302.03379,
title = {Data augmentation for machine learning of chemical process flowsheets},
author = {Lukas Schulze Balhorn and Edwin Hirtreiter and Lynn Luderer and Artur M. Schweidtmann},
journal= {arXiv preprint arXiv:2302.03379},
year = {2024}
}
备注
Submitted to PROCEEDINGS OF THE 33rd European Symposium on Computer Aided Process Engineering (ESCAPE33), June 18-21, 2023, Athens, Greece