Application of Zone Method based Machine Learning and Physics-Informed Neural Networks in Reheating Furnaces

要約

Foundation Industries の経済的関連性は高いにもかかわらず、製造チェーン内の加熱炉などの特定のコンポーネントはエネルギーを大量に消費します。
炉内での全体的な加熱時間を短縮することで、エネルギー消費量を大幅に削減できます。
コンピューター統合された機械学習 (ML) と人工知能 (AI) を活用した炉内の制御システムは、持続可能な製造のための基盤産業におけるネットゼロ目標の達成を可能にする可能性があります。
この研究では、再加熱炉のようなシナリオでは高品質のデータを取得するのが不可能であるため、古典的な Hottel のゾーン法ベースの計算モデルを使用して、回帰を介した ML および深層学習 (DL) ベースのモデル トレーニング用のデータを生成しました。
ゾーン法は、加熱炉内の高温プロセスにおける主要な熱伝達メカニズムである放射熱伝達 (RHT) の物理現象をモデル化する洗練された方法を提供することに注意してください。
このデータを使用して、さまざまな炉環境における温度予測性能に対して、最先端の代表的な ML および DL 手法の広範な比較が行われました。
DL は、推論時間とモデルのパフォーマンスの総合的なバランスにより、対応するものの中で際立っています。
トレーニングされた DL モデルの分布外 (OOD) 一般化機能をさらに強化するために、一連の新しいエネルギーバランス正則化子を使用して事前の物理知識を組み込むことにより、物理情報に基づくニューラル ネットワーク (PINN) を提案します。
私たちのセットアップは汎用フレームワークであり、基礎となる炉の 3D 構造のジオメトリに依存しないため、あらゆる標準的な ML 回帰モデルに対応し、基盤となる物理プロセスのデジタル ツインとして機能し、基礎産業をインダストリー 4.0 に移行させることができます。
。

要約(オリジナル)

Despite the high economic relevance of Foundation Industries, certain components like Reheating furnaces within their manufacturing chain are energy-intensive. Notable energy consumption reduction could be obtained by reducing the overall heating time in furnaces. Computer-integrated Machine Learning (ML) and Artificial Intelligence (AI) powered control systems in furnaces could be enablers in achieving the Net-Zero goals in Foundation Industries for sustainable manufacturing. In this work, due to the infeasibility of achieving good quality data in scenarios like reheating furnaces, classical Hottel’s zone method based computational model has been used to generate data for ML and Deep Learning (DL) based model training via regression. It should be noted that the zone method provides an elegant way to model the physical phenomenon of Radiative Heat Transfer (RHT), the dominating heat transfer mechanism in high-temperature processes inside heating furnaces. Using this data, an extensive comparison among a wide range of state-of-the-art, representative ML and DL methods has been made against their temperature prediction performances in varying furnace environments. Owing to their holistic balance among inference times and model performance, DL stands out among its counterparts. To further enhance the Out-Of-Distribution (OOD) generalization capability of the trained DL models, we propose a Physics-Informed Neural Network (PINN) by incorporating prior physical knowledge using a set of novel Energy-Balance regularizers. Our setup is a generic framework, is geometry-agnostic of the 3D structure of the underlying furnace, and as such could accommodate any standard ML regression model, to serve as a Digital Twin of the underlying physical processes, for transitioning Foundation Industries towards Industry 4.0.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google