Physics-Informed Neural Networks for Dynamic Process Operations with Limited Physical Knowledge and Data

要約

化学工学では、プロセスデータの取得には費用がかかり、複雑な現象を完全にモデル化することは困難です。
私たちは、不完全な機械的半陽的微分代数方程式系と希少なプロセス データを使用して動的プロセスをモデル化するための物理情報に基づくニューラル ネットワーク (PINN) の使用を検討します。
特に、直接的な観測データも構成方程式も利用できない状態の推定に焦点を当てます。
このような状態の推定が可能かどうかを評価するために、適用しやすいヒューリスティックを提案します。
数値例として、連続撹拌槽型反応器と液液分離器を考えます。
たとえそれぞれの構成方程式が未知であっても、PINN は測定不可能な状態を妥当な精度で推論できることがわかりました。
したがって、我々は、実験データが比較的少なく、部分的にしか知られていないメカニズムの説明が利用可能な場合でも、PINN がプロセスをモデル化できることを示し、PINN はさらなる研究を正当化する有望な手段であると結論付けています。

要約(オリジナル)

In chemical engineering, process data are expensive to acquire, and complex phenomena are difficult to fully model. We explore the use of physics-informed neural networks (PINNs) for modeling dynamic processes with incomplete mechanistic semi-explicit differential-algebraic equation systems and scarce process data. In particular, we focus on estimating states for which neither direct observational data nor constitutive equations are available. We propose an easy-to-apply heuristic to assess whether estimation of such states may be possible. As numerical examples, we consider a continuously stirred tank reactor and a liquid-liquid separator. We find that PINNs can infer immeasurable states with reasonable accuracy, even if respective constitutive equations are unknown. We thus show that PINNs are capable of modeling processes when relatively few experimental data and only partially known mechanistic descriptions are available, and conclude that they constitute a promising avenue that warrants further investigation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google