优化变压吸附装置中的 $CO_{2}$ 捕集：一种基于深度神经网络并带有最优性评估与决策操作图的方法
化学物理
2023-12-08 v1 机器学习
摘要
本研究提出了一种用于循环吸附过程代理优化的方法，重点在于增强用于二氧化碳 () 捕集的变压吸附装置。我们开发并实现了一个多输入单输出 (MISO) 框架，该框架包含两个深度神经网络 (DNN) 模型，用于预测关键过程性能指标。然后将这些模型集成到优化框架中，利用粒子群优化 (PSO) 和统计分析生成全面的 Pareto 前沿表示。该方法描绘了可行操作区域 并突出了最优决策场景的范围。我们方法的一个关键方面是评估优化的有效性。这是通过将源自 Pareto 前沿的决策变量针对唯象模型进行测试来完成的，从而证实了代理模型的可靠性。随后，本研究深入分析了这些决策变量的可行操作域。构建了详细的相关性图以阐明这些变量之间的相互作用，从而揭示了对过程行为影响最大的因素。该研究提供了一张实用且富有洞察力的操作图，可帮助操作员确定最佳工艺位置并优先考虑特定的操作目标。
引用
@article{arxiv.2312.03873,
title = {Optimizing $CO_{2}$ Capture in Pressure Swing Adsorption Units: A Deep Neural Network Approach with Optimality Evaluation and Operating Maps for Decision-Making},
author = {Carine Menezes Rebello and Idelfonso B. R. Nogueira},
journal= {arXiv preprint arXiv:2312.03873},
year = {2023}
}