文献

J-GLOBAL ID：202002267855878760   整理番号：20A0651985

周期定常状態の加速予測のための実験的に検証された機械学習フレームワークと圧力スイング吸着プロセスの最適化【JST・京大機械翻訳】

Experimentally validated machine learning frameworks for accelerated prediction of cyclic steady state and optimization of pressure swing adsorption processes

著者 (3件)： Pai Kasturi Nagesh (Department of Chemical and Materials Engineering, University of Alberta, 12th Floor, Donadeo Innovation Centre for Engineering, 9211 - 116 Street, Edmonton, Alberta T6G 1H9, Canada) ,  Prasad Vinay (Department of Chemical and Materials Engineering, University of Alberta, 12th Floor, Donadeo Innovation Centre for Engineering, 9211 - 116 Street, Edmonton, Alberta T6G 1H9, Canada) ,  Rajendran Arvind (Department of Chemical and Materials Engineering, University of Alberta, 12th Floor, Donadeo Innovation Centre for Engineering, 9211 - 116 Street, Edmonton, Alberta T6G 1H9, Canada)
資料名： Separation and Purification Technology  (Separation and Purification Technology)
巻： 241  ページ： Null  発行年： 2020年 
JST資料番号： T0428B  ISSN： 1383-5866  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： 機械学習ベースの代理モデルを提示して,圧力スイング吸着プロセスの最適化を加速した。決定木,ランダムフォレスト,サポートベクトルマシン,Gaussプロセス回帰,および人工ニューラルネットワークのような様々な教師付き機械学習アルゴリズムを,与えられた運転条件のセットに対する重要な性能指標を予測する能力に対して試験した。研究したアルゴリズムの中で,Gaussプロセス回帰ベースの代理モデルが,最小の訓練努力でプロセス出力を予測するのに最良であることが分かった。代理モデルを用いた予測のための決定の調整係数は,400の運転条件のサンプリングされた訓練セットを用いて0.98より大きい。人工ニューラルネットワークに基づく代理モデルも提示して,周期的定常状態における集中変数のベッドプロファイルを予測した。代理モデルは,詳細なモデルシミュレーションと非常に良い一致を示した。ゼオライト-13X上のCO_2+N_2混合物からのCO_2濃度に対する実験室規模の2カラム装置で行った実験は,代理モデルにより予測された純度,回収率および軸方向プロファイルのような性能指標を確認した。2つの新しい最適化フレームワークを提示した。それにおいて,訓練した代理モデルを用いてプロセス性能を提供した。そして,収束を加速するための詳細なモデルのための初期条件として,予測された周期的定常状態プロファイルが提供される周期的定常状態最適化を提供した。両技術は,詳細なプロセスモデルを用いた最適化から計算されたPurity-Recoveryとエネルギー-生産性のパレートフロントを正確に予測することを示した。詳細なモデルを用いた従来の最適化と比較した場合,Surrogate最適化と周期的定常状態加速Detail最適化は,計算負荷においてそれぞれ約23×と6×減少を示した。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： 軸方向 ,  サポートベクトルマシン ,  アルゴリズム ,  ニューラルネットワーク ,  ベッド ,  Gauss過程 ,  *最適化 ,  *吸着 ,  炭素 ,  純度 ,  *機械学習 ,  *PSA【吸着】 ,  ディシジョンツリー ,  回収率 ,  捕獲

著者キーワード (6件)： 機械学習 ,  ニューラルネットワーク ,  代理モデリングと最適化 ,  多目的最適化 ,  真空スイング吸着 ,  燃焼後の炭素捕捉

分類 (1件)： 膜分離  (XD02120Z)

タイトルに関連する用語 (10件)： 周期 ,  定常状態 ,  加速 ,  予測 ,  実験 ,  検証 ,  機械学習 ,  フレームワーク ,  圧力スイング吸着プロセス ,  最適化