文献

J-GLOBAL ID：202002225413915680   整理番号：20A1027271

深層学習に基づく代理モデリングを用いた極低温NGL回収ユニットの運転最適化【JST・京大機械翻訳】

Operation optimization of a cryogenic NGL recovery unit using deep learning based surrogate modeling

著者 (3件)： Zhu Wenbo (Department of Chemical Engineering, Louisiana State University, Baton Rouge, Louisiana, 70803, United States) ,  Chebeir Jorge (Department of Chemical Engineering, Louisiana State University, Baton Rouge, Louisiana, 70803, United States) ,  Romagnoli Jose A. (Department of Chemical Engineering, Louisiana State University, Baton Rouge, Louisiana, 70803, United States)
資料名： Computers & Chemical Engineering  (Computers & Chemical Engineering)
巻： 137  ページ： Null  発行年： 2020年 
JST資料番号： H0199C  ISSN： 0098-1354  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 本研究では,NGLの抽出のための極低温膨張ユニットの操作を,データ駆動技術の実装を通して最適化した。提案した手法は,2つの深い学習ベースの代理モデルによる動的プロセスシミュレーションを統合する最適化フレームワークに基づいている。第一のモデルでは,双方向リカレントニューラルネットワーク(RNN)構造と注意機構を持つ長い短期メモリ(LSTM)レイアウトを用いたプロセスに含まれる動力学を明らかにした。誤差最大化サンプリング戦略を採用して,モデル精度を改善した。第二回帰モデルを構築し,プロセスの利益予測を生成した。2つの事例研究からの結果は,低温残渣還流(CRR)NGL回収ユニットの最適化に関して提案した最適化フレームワークの能力を示した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  *最適化 ,  シミュレーション ,  *低温 ,  *学習 ,  *極低温 ,  事例研究 ,  回帰モデル ,  回収装置
準シソーラス用語： リカレントニューラルネットワーク ,  還流 ,  データ駆動 ,  モデル精度 ,  動的プロセス ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 極低温膨張ユニット ,  深層学習技術 ,  動的プロセスシミュレーション ,  代理モデル

分類 (3件)： 化学プロセスの解析  (XC01030R) ,  化学プロセスの理論  (XC01020G) ,  生産工学一般  (KB01000U)

タイトルに関連する用語 (6件)： 深層学習 ,  モデリング ,  極低温 ,  NGL ,  回収ユニット ,  最適化