Kimya mühendisliği uygulamaları için fizik bilgisiyle zenginleştirilmiş makine öğrenmesine dayalı optimizasyon

Yapay sinir ağları, karmaşık endüstriyel sistemlerde mekanistik modellere güçlü bir alternatif sunar, ancak etkinlikleri genellikle gürültülü veriler, sınırlı örnek sayısı ve eğitim ile optimizasyonun hesaplama yükü gibi etkenlerle sınırlıdır. Bu çalışma, süreç modelleme ve optimizasyonu için fiziksel bilgiye dayalı yapılar, transfer öğrenme teknikleri ve gelişmiş eğitim stratejilerini entegre ederek bu zorluklara çözüm sunmaktadır. Fiziksel bilgiye dayalı sinir ağları, ikincil optimizasyon problemlerinde kullanılmış ve bir dizi vaka çalışması—basit bir karışım sürecinden ham petrol damıtma ünitesine kadar—çözüm kalitesinde ve optimizasyon güvenilirliğinde sürekli iyileşmeler göstermiştir. Fiziksel bilgiye dayalı eğitimle yapılan doğrusal parça yaklaşımları, CPU zamanlarını azaltırken, neredeyse her zaman global optimumları elde etmiştir. PINN eğitimi, bir rafineri atık su arıtma tesisinde dinamik parametreleri modellemek için yinelemeli sinir ağlarına genişletilmiştir. Fiziksel bilgiye dayalı LSTM ve GRU modelleri, tahmin doğruluğunu iyileştirmiştir; LSTM, ortalama kare hatasını %20'den fazla azaltırken, GRU ise COD tahmin hatalarını %11 oranında düşürmüş ve çevrimiçi doğrulama sırasında ince ayar yapma gereksinimini ortadan kaldırmıştır. Transfer öğrenme teknikleri, gürültülü ve sınırlı veri koşullarını ele almak için kullanılmış ve hibrit fiziksel bilgiye dayalı transfer öğrenme modeli, temel modellere kıyasla test ve doğrulama ortalama kare hatasında sırasıyla %27 ve %59'luk azalmalar sağlanmıştır. Son olarak, SOSX algoritması, sinir ağı eğitimine uyarlanmış ve çeşitli ağ yapılandırmalarında neredeyse sıfır eğitim hatası elde edilmiştir. Bu yöntem, geleneksel karışık tamsayılı programlama tabanlı yöntemlere kıyasla CPU zamanını önemli ölçüde azaltırken, büyük sinir ağı yapılandırmalarına da polinomsal ölçeklenebilirlik göstermektedir. Bu yaklaşımlar bir arada değerlendirildiğinde, fiziksel bilgiye dayalı bilgi, mimari yenilikler ve optimizasyon tekniklerinin birleştirilmesinin, endüstriyel ve çevresel süreçlerdeki sinir ağı modellerinin tahminsel performansını ve hesaplama verimliliğini önemli ölçüde artırabileceği gösterilmektedir.