Zusammenfassung - Maschinelles Lernen-assistierte Surrogatmodellierung mit Multi-Ziel-Optimierung und Entscheidungsfindung für einen Dampfmethan-Reformierungsreaktor

Maschinelles Lernen-assistierte Surrogatmodellierung mit Multi-Ziel-Optimierung und Entscheidungsfindung für einen Dampfmethan-Reformierungsreaktor

2025-07-10 11:10:16

{"Seyed Reza Nabavi","Zonglin Guo","Zhiyuan Wang"}

{physics.chem-ph,cs.LG}

Diese Forschungsarbeit stellt ein integriertes Modellierungs- und Optimierungsrahmenwerk für einen Dampfmethan-Reformer (SMR) vor, das eine mathematische Modell, eine auf künstlichen Neuronenetzwerken (ANN) basierende hybride Modellierung, fortgeschrittene mehrfache Zielloptimierung (MOO) und mehrkriterienentscheidungsunterstützung (MCDM)-Techniken kombiniert. Ziel ist es, komplexe katalytische Reaktorsysteme mit mehreren, oft widersprüchlichen, Zielen zu optimieren. Die Studie nutzt ein ein dimensionales festbettiges Reaktormodell, um die Reaktorleistung zu simulieren und dabei innere Massentransferwiderstände zu berücksichtigen. Um die hohen Berechnungskosten des mathematischen Modells zu reduzieren, wird ein hybrider ANN-Nachgebildeter Modell aufgebaut, der eine Reduzierung der mittleren Simulationszeit um 93,8% erreicht, während gleichzeitig eine hohe Vorhersagegenauigkeit beibehalten wird. Das hybride Modell wird anschließend in drei MOO-Szenarien eingebettet, indem der nicht-dominante Sortiergenetische Algorithmus II (NSGA-II) Solver verwendet wird: 1. Maximierung der Methankonversion und des Wasserstoffausbeutes. 2. Maximierung des Wasserstoffausbeutes während Minimierung der Kohlendioxidemissionen. 3. Ein kombiniertes dreizieliges Szenario. Die optimalen Kompromisslösungen werden anschließend mithilfe zweier MCDM-Methoden bewertet und ausgewählt: der Methode zur Ordnung der Präferenz durch Vergleich mit der Ideallösung (TOPSIS) und der vereinfachten Präferenzbeurteilung auf der Grundlage der Ideallösungs-durchschnitts-Entfernung (sPROBID). Die Ergebnisse zeigen, dass das vorgeschlagene Framework die SMR-Reaktoren unter mehreren Zielen effektiv optimiert und eine skalierbare und effektive Strategie für komplexe katalytische Reaktorsysteme bietet. Die Studie zeigt das Potenzial der Kombination von Maschinenlernen, MOO und MCDM-Techniken auf, um die Gestaltung und Optimierung katalytischer Reaktorsysteme zu verbessern.