Gaussian process-based grey-box modelling of heat exchanger networks

Abstract

Veiledet læring er et felt som vokser raskt i kjemiverdenen i takt med en stadig voksende popularitet for maskinlæring. Potensialet bak disse metodene er trolig uendelig, og det er et appellerende forskningstema som blir omtalt i denne masteroppgaven. Oppgaven tar for seg et varmeveksler-nettverk som har en treveis splittelse, hvor målet med prosessoptimeringen er å tilpasse split forholdet slik at størst utløpstemperatur oppnås. Dette ble løst ved å benytte to maskinlæringsmodeller, hvorav en har en klassisk direkte black-box modell, der den andre bruker et mellomliggende prediksjonstrinn hvor den predikerer et sett med "forstyrrelses parametre", altså en grey-box modell. Disse to modellene ble så brukt til å predikere den optimale ventil-konfigurasjonen for splitten. Ytelsen til modellene ble evaluert ved å sammenligne de oppnådde anleggs-inputene med analytisk kalkulerte input-verdiene. Målet med prosjektet var å evaluere om det mellomliggende predikasjonstrinnet til grey-box metoden ga noen signifikante fordeler eller ulemper sammenlignet med den direkte black-box metoden. Samtidig skulle det evalueres om det finnes noen andre fordeler ved å bruke en slik modellstruktur. Fra simuleringene ble det funnet ut at, når man benytter seg av ideelle "priors" for hver modell, vil begge metodene ha relativ lik ytelse. Ved nærmere undersøkelse mellom de to modellene, ble det konkludert med at black-box modellen har flere predikasjoner som er nær optimale verdier, derimot var grey-box modellen bedre til å holde temperaturtapet redusert. Dette begrunnes av en større observert spredningen av temperaturtap for black-box modellen sammenlignet med grey-boxen. På grunn av dette var det ikke mulig å kåre en klar vinner, da begge metodene hadde styrker og svakheter. Til tross for dette, viser arbeidet til at finnes potensiale ved bruk av grey-box surrogatoptimeringsprosesser, og at ved ytterligere undersøkelser kan denne modellen trolig vokse til å overgå de tradisjonelle black-box modellene. Dette underbygges også ved at grey-box modellene har vist potensiale i å ha bedre underliggende forståelse av dynamikken i systemet. Det kan med god sikkerhet sies at en mer kompetent modell kan utvikles ved videre forskning og utvikling på dette området. Dette kan oppnås f.eks. ved å iverksette en dypere evaluering i valg av målings- og fortyrrelsesparametre. Andre forbedringsforslag inkluderer Gauss-prosess-regresjonsnettverk, hvilket har blitt vist til å ha sterk empirisk ytelse for å finne korrelasjoner mellom fortyrrelsesparametre.

Supervised learning is a field that is rapidly growing within the world of science as the popularity of machine learning (ML) is ever growing. The potential these methods hold, not only in simpler classification methods but also within surrogate models for process optimization, is potentially limitless, and it is a appealing topic of investigation that will be considered in this paper. This paper considers a heat exchanger network using a three-way parallel split, where the goal of the process optimization is to adjust the split ratio in such a manner that the greatest outlet temperature is achieved. This was approached by two ML models, one with a direct classic black-box approach, and one that uses a intermediate prediction step of a set of process parameters. These two models were then used to predict the optimal valve configuration for the split configuration. The performance of the models was evaluated by comparing the obtained plant inputs with analytically calculated optimal values, and see how much the final outlet temperature deviated from its optimal as a result of the predicted inputs. The goal of this project was to evaluate whether the intermediate prediction step in the grey-box model produced any significant benefit or disadvantage compared to a direct black-box approach, and to evaluate any additional benefits of using such a model structure. From the simulation results it was found that when opting for ideal priors for each structure, both methods had fairly equal performance. During further comparisons between the two structures, it was found that the black-box model has more predictions closer to the optimal values, while the grey-box model seemed to excel at keeping the overall temperature loss reduced. This was seen by how the overall spread of the temperature loss of the black-box model was greater than the grey-box. Due to this, no clear winner could be determined as each method seemed to posses its own fair share of strengths and weaknesses. Regardless, the presented work shows that there is potential within grey-box surrogate optimization approaches, and that with further investigation it could grow to outperform the traditional black-box model, as the obtained model seemed to have a better understanding of the dynamics in place. It is strongly believed that with further investigations and improvements to the approach, such as a deeper evaluation of measurement and disturbance parameter selection, a more adequate model can be developed. Other suggestions for improvements include Gaussian process regression networks (GPRN), which is shown to have strong empirical performance for finding correlations between disturbance parameters.