Energy minimization of distillation columns by neural networks

Abstract

Destillatie is een van de meest gebruikte systemen in de chemische industrie. Een belangrijk aspect bij het ontwerpen van destillatiekolommen is het optimaliseren van energieverbruik. Het minimaliseren van de energie leidt tot een verminderde CO2¬ uitstoot. Het ontwerpen van destillatiekolommen met oog hierop gebeurt vaak via gespecialiseerde softwarepakketten of wordt uitgevoerd door grafische interpretaties en berekeningen. Wanneer er een groot aantal simulaties worden uitgevoerd met deze software kan de tijd die nodig is om al deze simulaties uit te voeren zeer hoog oplopen. Dit probleem is niet aanwezig indien men hiervoor gebruik zou maken van neurale netwerken. Het doel van dit onderzoek is om een neuraal netwerk te construeren dat zowel nauwkeurig als efficiënt is in het voorspellen van de optimale instellingen van een destillatiekolom. Om aan dit doel te voldoen wordt er een grote hoeveelheid data verzameld in Aspen om het netwerk te trainen. Hiernaast moet ook de configuratie van dit netwerk worden geoptimaliseerd. Dit gebeurt door verschillende hyperparameters aan te passen zoals de grootte van het netwerk en het trainalgoritme. Na het aanpassen van deze parameters worden resultaten verkregen door het uitvoeren van simulaties. Het netwerk blijkt de nodige energie met een zeer hoge nauwkeurigheid te kunnen voorspellen. Om een correcte voorspelling te kunnen doen moet het netwerk getraind worden met een gebalanceerde dataset. Daarnaast moet de refluxverhouding toegevoegd worden aan de output features van het netwerk.