Learning reduced-order Quadratic-Linear models in Process Engineering using Operator Inference

要約

この研究では、プロセス エンジニアリングにおける動的システムを効率的にモデル化するという課題に取り組みます。
私たちは低次数モデル学習、特に演算子推論を使用します。
これは、時間領域データから動的システムを学習するための非侵入的なデータ駆動型の方法です。
私たちの研究における応用例は、Power-to-X フレームワーク内の重要な反応である二酸化炭素メタン化であり、その可能性を実証しています。
数値結果は、演算子推論を使用して構築された低次数モデルが、低化されながらも正確な代理解を提供する能力を示しています。
これは、高速で信頼性の高いデジタル ツイン アーキテクチャの実装に向けた重要なマイルストーンを表します。

要約(オリジナル)

In this work, we address the challenge of efficiently modeling dynamical systems in process engineering. We use reduced-order model learning, specifically operator inference. This is a non-intrusive, data-driven method for learning dynamical systems from time-domain data. The application in our study is carbon dioxide methanation, an important reaction within the Power-to-X framework, to demonstrate its potential. The numerical results show the ability of the reduced-order models constructed with operator inference to provide a reduced yet accurate surrogate solution. This represents an important milestone towards the implementation of fast and reliable digital twin architectures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google