Core Concepts
代替モデルと暗黙的定式化を活用することで、化学プロセスフローシートの最適化問題の収束信頼性、解決時間、解の品質を改善できる。
Abstract
本研究では、化学プロセスフローシートの最適化問題に対して、代替モデルと暗黙的定式化の2つのアプローチを提案している。
まず、代替モデルアプローチでは、Gibbs反応器の複雑な設計方程式を、単純な代替モデル(ニューラルネットワークやALAMO多項式)に置き換える。これにより、最適化問題の収束性が向上し、解決時間が短縮される。ただし、解の精度が若干低下する。
一方、暗黙的定式化アプローチでは、Gibbs反応器の方程式を外部で解き、その結果を最適化問題に組み込む。これにより、最適化問題に見せる方程式が少なくなり、収束性が大幅に向上する。解の精度も完全に保たれる。ただし、外部の方程式を解くための計算コストがかかる。
これらの2つのアプローチを自動熱分解反応器の最適化問題に適用し、比較した結果、以下のことが分かった:
代替モデルアプローチのうち、ALAMOモデルが最も収束性が高く、解の精度も良好。
暗黙的定式化アプローチは、フルスペース定式化に比べて収束性が大幅に向上するが、一部の条件で数値的な課題が発生する可能性がある。
全体として、代替モデルと暗黙的定式化は、化学プロセスフローシートの最適化問題において、収束性、解の品質、解決時間のトレードオフを提供する有効な手法である。
Stats
反応器出口温度Toutは、FS × 8.2 × 10^-4 + Fref^3 × 0.41 + 897.4X で表される。
反応器出口モル流量Foutは、Fref × 3.9 + FS × 1.1 - Fref^2 × 7.9 × 10^-7 + X^2 × 685で表される。
水素モル分率xH2は、Fref × 5.3 × 10^-4 - Fref^3 × 1.5 × 10^-10 + X^3 × 0.14で表される。