抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
化学的プラント設計および最適化は,これらの実世界システムの複雑性のため,挑戦的であることが証明されている。得られた複雑性は,これらのシステムの数学的定式化とシミュレーションモデルのための高い計算コストに変換する。研究は,最適化中の計算的に高価なモデルの代用として,機械学習代理モデルを使用する利点を説明した。本論文は,化学プラント設計および操作を最適化するための最近の研究を拡張した。さらに,本研究は,元の植物設計および並列およびフィードバック成分の包含のような最適化問題のより複雑な変異体において,Surrogate支援遺伝的アルゴリズム(SA-GA)をさらに探索した。本研究で提案した元のアルゴリズムへの新しい拡張,Surrogate Assisted NSGA-Romannum{2}(SA-NSGA)を一般的な文献事例,圧力スイング吸着(PSA)システムで試験した。さらに,様々なメタヒューリスティック最適化技法と多数の機械学習モデルを代用物として比較した。両システムのセットに対する結果は,単一および多目的シナリオの両方に対する複雑な化学プラントシステム設計および最適化のための最適化フレームワークとして遺伝的アルゴリズムを用いることの利点を説明した。ランダムフォレスト代理支援進化アルゴリズムは,並列およびフィードバック成分を有するますます複雑な化学系にスケールできることを確認した。さらに,長期運転シミュレーションモデルの代用として,遺伝的アルゴリズムフレームワークと機械学習Surrogateモデルを組み合わせることで,大きな計算効率改善,増加した複雑性例に対する1.7-1.84倍高速化,および圧力スイング吸着システムに対する2.7倍高速化が得られることを見出した。【JST・京大機械翻訳】