Geri Dön

Physics-informed machine learning-based modeling and control of dynamic process systems

Dinamik sistemlerin fizik bilgili makine öğrenimi tabanlı modellemesi ve kontrolü

  1. Tez No: 816345
  2. Yazar: TUSE ASRAV
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ERDAL AYDIN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Kimya Mühendisliği, Chemical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Koç Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Kimya ve Biyoloji Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Kimya Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 68

Özet

Kimya mühendisliği uygulamalarındaki birçok süreç dinamik niteliktedir. Bu süreçlerin mekanistik modellemesi, modellerin genellikle belirsizlikler içermesi gibi karmaşıklıklar nedeniyle zorlu olabilir. Öte yandan, ardışık verileri işleyebilen tekrarlayan sinir ağları, mevcut verileri kullanarak dinamik süreçleri modellemek için kullanışlıdır. Bu ağlar karmaşıklıkları yakalayabilmelerine rağmen, aşırı öğrenme ve yüksek kaliteli ve yeterli veri gerektirme gibi zorluklara da neden olabilirler. Fizik bilgili sinir ağları, zayıf öğrenimle ilgili sınırlamaların üstesinden gelerek, daha iyi sonuçlar verebilir. Bu çalışmada, iki farklı fizik temelli öğrenim yaklaşımı incelenmiştir. İlk yaklaşım, diferansiyel denklemin ayrıklaştırılmış kesikli formunu içeren çok amaçlı bir hata fonksiyonunun öğrenimde kullanılmasıdır. İkinci yaklaşım, Euler metodu kullanan fizik temelli ve veri odaklı düğümleri içeren bir hibrit tekrarlayan sinir ağı hücresinin kullanılmasıdır. Yarı kesikli reaktör ve atıksu arıtma tesisi için iki sentetik örnek olay çalışması geliştirilmiş ve fizik temelli yaklaşımların etkisi gözlemlenmiştir. Ayrıca, Tüpraş İzmit Rafinerisi'ndeki bir atıksu arıtma tesisi verileri, uygulanan yaklaşımın zorluklarını ve yararlılığını endüstriyel bir veride gözlemlemek için kullanılmıştır. Fizik temelli sinir ağlarının eğitim performansında azalışa sebep olabilmesine rağmen test performansını artırabileceği gösterilmiştir. Ayrıca, hibrit tekrarlayan sinir ağları, veri odaklı düğümlerin öğrenme performansından bağımsız olarak trendi başarıyla tahmin edebilmektedir. Bazı makine öğrenimi modelleri için optimizasyon algoritmaları kullanılarak hiper-parametre optimizasyonu yapılmıştır. Fizik temelli eğitim yapıldığında hiper-parametre optimizasyonu kullanılarak daha küçük ve daha sağlam yapılar elde edilebilmektedir. Bu çalışma ayrıca matematiksel model, tekrarlayan sinir ağı modeli, ve de fizik bilgili tekrarlayan sinir ağı modeli kullanan doğrusal olmayan model öngörülü kontrolörlerin karşılaştırılmasını içermektedir. Kontrol performansları, yarı kesikli reaktör ve Van de Vusse reaktörü için iki örnek olay çalışmasında gözlemlenmiştir. Sonuç olarak, tekrarlayan sinir ağı temelli kontrolörlerin istenen performansları elde edebildiği ve doğrusal olmayan model öngörülü kontrolörlerle benzer sonuçlar sağlayabildiği görülmüştür. Son olarak, fizik bilgili tekrarlayan sinir ağı modeli kullanan kontrolörlerin fizik bilgisi kullanmayan tekrarlayan sinir ağı modeli kullanan kontrolörlere kıyasla kontrol performanslarını geliştirebileceği gözlemlenmiştir.

Özet (Çeviri)

Many of the processes in chemical engineering applications are of dynamic nature. Mechanistic modeling of these processes is challenging due to the nonlinearity and complexity including the fact that the models often comprise uncertainties. On the other hand, recurrent neural networks that can process sequential data are useful to be utilized to model dynamic processes by using the available data. Although these networks can capture the complexities, they might contribute to overfitting and require high-quality and adequate data. Physics-informed neural networks might offer promising results by overcoming the limitations associated with inadequate training. In this thesis, two different physics-informed training approaches are investigated. The first approach is using a multi-objective loss function in the training including the discretized form of the differential equation. The second approach is using a hybrid recurrent neural network cell with embedded physics-informed and data-driven nodes performing Euler discretization. Two synthetic case studies for a semi-batch reactor and a wastewater treatment plant are developed to observe the effect of physics-informed approaches. Additionally, data from a wastewater treatment plant in Tüpraş İzmit Refinery is used to observe the difficulties and usefulness of the implemented approach in industrial case studies. It is demonstrated that physics-informed neural networks can improve test performance even though a decrease in training performance might be observed. Additionally, hybrid recurrent neural networks predict the trend successfully regardless of the learning performances of the data-driven nodes. For some of the machine learning models, hyperparameter optimization is done using search algorithms. When physics-informed training is performed, smaller and more robust architectures are obtained using hyperparameter optimization. This thesis also includes the comparison of nonlinear model predictive controllers which use the first-principles model, recurrent neural network model, and physics-informed recurrent neural network model. The controller performances are observed for two case studies of a semi-batch reactor and a Van de Vusse reactor. It is concluded that recurrent neural network-based controllers could achieve desired performances and deliver similar results with nonlinear first principles-based model predictive controllers. Finally, it is observed that physics-informed recurrent neural network-based controllers could improve the controller performances compared with the physics-uninformed recurrent neural network-based controllers.

Benzer Tezler

  1. Solving Navier Stokes equations with physics informed neural network for calculation of aerodynamic forces

    Aerodinamik kuvvetleri hesaplamak için Navier-Stokes denklemlerinin fizik bilgili nöral ağ ile çözümü

    SILA AKPINAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Mekatronik MühendisliğiSabancı Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. SERHAT YEŞİLYURT

  2. Machine learning-based modeling and monitoring of machining processes and tool wear

    İşleme prosesleri ve takım aşınmasının makine öğrenmesi tabanlı modellenmesi ve izlenmesi

    ARASH EBRAHIMI ARAGHIZAD

    Doktora

    İngilizce

    İngilizce

    2024

    Makine MühendisliğiSabancı Üniversitesi

    Üretim Mühendisliği Ana Bilim Dalı

    PROF. DR. ERHAN BUDAK

  3. A convolutional neural network methodology with a momentum-flux-based loss function for predicting aerodynamic flow around airfoils

    Uçak kanatları etrafında aerodinamik akış tahmini için momentum-akı-bazlı kayıp fonksiyonlu convolutıonal sinir ağı metodolojisi

    MUSTAFA MERT DENİZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Makine MühendisliğiOrta Doğu Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZGÜR UĞRAŞ BARAN

    DOÇ. DR. HANDE ALEMDAR

  4. Seismic first arrival traveltime inversion harnessing physics informed neural networks

    Fizik bilgili sinir ağları kullanarak sismik ilk varış seyahat süresi ters çözümü

    İSA EREN YILDIRIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Jeofizik MühendisliğiOrta Doğu Teknik Üniversitesi

    Bilimsel Hesaplama Ana Bilim Dalı

    PROF. DR. ÖMÜR UĞUR

    DR. ÖĞR. ÜYESİ UMAİR BİN WAHEED

  5. Deep photonic networks with arbitrary and broadband functionality

    Rastgele ve geniş bantlı ışlevselliğe sahip derin fotonik ağlar

    ALI NAJJAR AMIRI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiKoç Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EMİR SALİH MAĞDEN