面向化工过程仿真的优化数据探索方法
应用统计
2019-02-19 v1 机器学习
机器学习
摘要
在复杂仿真环境中，某些参数空间区域可能导致不收敛或非物理结果。因此，所有参数均可被标记为一个二元类别，描述其是否产生有效结果。一般而言，确定可行参数区域可能非常困难，尤其是在缺乏先验知识的情况下。我们提出一种新颖算法，以迭代方式探索此类未知参数空间并改进其可行性分类。此外，我们在算法中引入额外的优化目标，以引导探索朝向感兴趣的区域并改进其中的分类。我们的方法利用了机器学习领域中成熟的概念，如核支持向量机和核岭回归。通过与近期发表的基于 Kriging 的探索方法进行比较，我们展示了我们的算法在具有离散可行性约束违反的二元可行性分类场景中的优势。在此背景下，我们还提出了对基于 Kriging 的探索方法的改进。我们将这一新方法应用于一个完全现实的、具有工业相关性的化工过程仿真，以证明其实际可用性，并从相对少量的数据点中找到了数据空间拓扑的相当好的近似。
引用
@article{arxiv.1902.06453,
title = {Optimized data exploration applied to the simulation of a chemical process},
author = {Raoul Heese and Michal Walczak and Tobias Seidel and Norbert Asprion and Michael Bortz},
journal= {arXiv preprint arXiv:1902.06453},
year = {2019}
}
备注
45 pages, 6 figures