Résumé - Modélisation de surrogate assistée par l'apprentissage automatique avec optimisation multi-objectif et prise de décision pour un réacteur de réformation méthanée à vapeur

Modélisation de surrogate assistée par l'apprentissage automatique avec optimisation multi-objectif et prise de décision pour un réacteur de réformation méthanée à vapeur

2025-07-10 11:10:16

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

{physics.chem-ph,cs.LG}

Ce rapport de recherche présente un cadre intégré de modélisation et d'optimisation pour un réacteur de réfraction au méthane en vapeur (SMR), qui combine un modèle mathématique, une modélisation hybride basée sur un réseau de neurones artificiels (ANN), une optimisation multi-objet avancée (MOO) et des techniques de prise de décision multicritère (MCDM). L'objectif est d'optimiser des systèmes de réacteurs catalytiques complexes avec plusieurs objectifs, souvent conflictuels. L'étude utilise un modèle de réacteur à lit fixe unidimensionnel pour simuler les performances du réacteur, en prenant en compte la résistance au transfert de masse interne. Pour réduire le coût de calcul élevé du modèle mathématique, un modèle de substitution hybride basé sur un ANN est construit, ce qui permet une réduction de 93,8% du temps de simulation moyen tout en maintenant une haute précision prédictive. Le modèle hybride est ensuite intégré dans trois scénarios de MOO en utilisant le solveur d'algorithmes génétiques de tri non-dominant II (NSGA-II) : 1. Maximisation de la conversion du méthane et de la production d'hydrogène. 2. Maximisation de la production d'hydrogène tout en minimisant les émissions de dioxyde de carbone. 3. Un cas combiné à trois objectifs. Les solutions d'équilibre optimal sont ensuite classées et sélectionnées à l'aide de deux méthodes MCDM : la technique d'ordre de préférence par rapport à une solution idéale (TOPSIS) et le classement simplifié basé sur la distance idéale-moyenne (sPROBID). Les résultats montrent que le cadre proposé optimise efficacement le réacteur SMR sous plusieurs objectifs, fournissant une stratégie scalable et efficace pour les systèmes de réacteurs catalytiques complexes. L'étude montre le potentiel de la combinaison de techniques d'apprentissage automatique, MOO et MCDM pour améliorer la conception et l'optimisation des systèmes de réacteurs catalytiques.