Scaling machine learning-based chemical plant simulation: A method for fine-tuning a model to induce stable fixed points

要約

化学プラントの理想化された第一原理モデルは不正確になる可能性があります。
別の方法は、機械学習 (ML) モデルをプラント センサー データに直接適合させることです。
私たちは構造化されたアプローチを採用しています。プラント内の各ユニットは 1 つの ML モデルで表されます。
モデルをデータに適合させた後、モデルはフローシートのような有向グラフに接続されます。
小規模なプラントの場合、このアプローチはうまく機能しますが、大規模なプラントの場合、フローシート内の大規模でネストされたサイクルから生じる複雑なダイナミクスがサイクル ソルバーの不安定性につながることがわかりました。
私たちはこの問題を徹底的に分析し、それが単に特殊な問題ではなく、ML がより大きな植物に適用されるたびに発生する可能性が高い、より広範な課題であることを示しました。
この問題に対処するために、通常の方法でサイクルを解決できるように ML モデルを微調整する方法を提案します。

要約(オリジナル)

Idealized first-principles models of chemical plants can be inaccurate. An alternative is to fit a Machine Learning (ML) model directly to plant sensor data. We use a structured approach: Each unit within the plant gets represented by one ML model. After fitting the models to the data, the models are connected into a flowsheet-like directed graph. We find that for smaller plants, this approach works well, but for larger plants, the complex dynamics arising from large and nested cycles in the flowsheet lead to instabilities in the cycle solver. We analyze this problem in depth and show that it is not merely a specialized concern but rather a more pervasive challenge that will likely occur whenever ML is applied to larger plants. To address this problem, we present a way to fine-tune ML models such that solving cycles with the usual methods becomes robust again.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google