Resumen - Modelado de Sustitutos Asistido por Aprendizaje Automático con Optimización Multiobjetivo y Toma de Decisiones de un Reactor de Reformado de Metano con Vapor

Modelado de Sustitutos Asistido por Aprendizaje Automático con Optimización Multiobjetivo y Toma de Decisiones de un Reactor de Reformado de Metano con Vapor

2025-07-10 11:10:16

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

{physics.chem-ph,cs.LG}

Este documento de investigación presenta un marco de modelado y optimización integrado para un reactor de reformado de metano con vapor (SMR), que combina un modelo matemático, un modelado híbrido basado en una red neuronal artificial (ANN), una optimización avanzada de múltiples objetivos (MOO) y técnicas de toma de decisiones basadas en múltiples criterios (MCDM). El objetivo es optimizar sistemas de reactor catalítico complejos con múltiples objetivos, a menudo contradictorios. El estudio utiliza un modelo de reactor de lecho fijo unidimensional para simular el rendimiento del reactor, considerando la resistencia al transferimiento de masa interna. Para reducir el alto costo computacional del modelo matemático, se construye un modelo sustituto híbrido basado en ANN, logrando una reducción del 93.8% en el tiempo promedio de simulación mientras se mantiene una alta precisión predictiva. El modelo híbrido se integra luego en tres escenarios de MOO utilizando el solucionador de algoritmo genético de clasificación no dominante II (NSGA-II): 1. Maximizar la conversión de metano y la producción de hidrógeno. 2. Maximizar la producción de hidrógeno mientras se minimizan las emisiones de dióxido de carbono. 3. Un caso combinado de tres objetivos. Las soluciones de compensación óptima se clasifican y seleccionan posteriormente utilizando dos métodos de MCDM: el método de orden de preferencia por similaridad a la solución ideal (TOPSIS) y la clasificación de preferencias simplificada basada en la distancia ideal-promedio (sPROBID). Los resultados muestran que el marco propuesto optimiza efectivamente el reactor SMR bajo múltiples objetivos, proporcionando una estrategia escalable y efectiva para sistemas de reactor catalítico complejos. El estudio demuestra el potencial de combinar técnicas de aprendizaje automático, MOO y MCDM para mejorar el diseño y la optimización de sistemas de reactor catalítico.