Automated compartmental modelling of chemical reactors

Abstract

Het ontwerpen van optimale reactorconfiguraties voor exotherme reacties is complex en vereist het balanceren van vaak conflicterende doelstellingen. Traditionele methoden zijn tijdrovend en verkennen de grote ruimte aan configuraties vaak niet efficiënt, zeker wanneer criteria zoals reactorvolume, tussenkoeling en procescomplexiteit samen overwogen moeten worden. Deze thesis ontwikkelt een tweetraps genetisch algoritme voor het optimaliseren van adiabatische reactorconfiguraties. Het doel is de efficiëntie van de configuratie te maximaliseren, terwijl het totale reactorvolume, de tussenkoeling en het aantal adiabatische stappen geminimaliseerd worden, met als einddoel een totale conversie van 0,95. Allereerst bepaalt een multi-objectief NSGA-II-algoritme de optimale volgorde van adiabatische stappen. In de tweede fase selecteert een single-objectief algoritme het meest geschikte reactortype per stap. De methode werd getest op vier casestudies met verschillende doelstellingsgewichten. Resultaten tonen dat het algoritme zich aanpast aan prioriteiten: focus op volumevermindering leidt tot meer stappen, minder tussenkoeling bevordert hogere starttemperaturen, en minder adiabatische stappen resulteren in grotere reactors. Het algoritme levert efficiënte configuraties op in circa 10 minuten per gewichtscombinatie wat veel sneller is dan handmatige methoden, die een dag kunnen duren en vaak suboptimaal blijven. Dit maakt het project tot een handige tool voor geautomatiseerd modelleren en besluitvorming in de chemische technologie.