« Projekte

Bitte aktivieren Sie JavaScript in Ihren Browsereinstellungen, um das Forschungsportal nutzen zu können.

Sie verwenden einen sehr veralteten Browser und können Funktionen dieser Seite nur sehr eingeschränkt nutzen. Bitte aktualisieren Sie Ihren Browser. http://www.browser-update.org/de/update.html

Machine Learning for the Design and Control of Power2X Processes with Application to Methanol Synthesis

Projektleiter:

Prof. Dr. Sebastian Sager , Prof. Dr. Achim Kienle, Prof. Dr. Andreas Seidel-Morgenstern

Projekthomepage:

http://chemengml.org/

Finanzierung:

Deutsche Forschungsgemeinschaft (DFG) ; 01.10.2021 bis 30.09.2024

Ziele dieses Projektes sind:

Die Entwicklung neuer numerischer Methoden, welche die Stärken traditioneller Modellierungs- und Optimierungsansätze und des datengetriebenen maschinellen Lernens (ML) kombinieren sowie deren Anwendung zur
Entwicklung einer neuen Methodik für den Entwurf und die Führung von Power2chemicals Prozessen. Die nichtlineare Dynamik infolge stark veränderlicher Feedzuläufe soll dabei explizit berücksichtigt werden. Die Methanolsynthese wird als herausforderndes Anwendungsbeispiel betrachtet. Das ambitionierte Arbeitsprogramm spiegelt die komplementäre Expertise der drei Antragsteller in den Bereichen experimentelle Analyse, konzeptioneller Prozessentwurf und -führung sowie effiziente Algorithmen wieder. Wir verwenden neuronale Differentialgleichungen und differenzierbare End-zu-End Programmierung. Dies erlaubt uns ML für unbekannte oder teuer auszuwertende Modellteile zu nutzen und Methoden der gemischt-ganzzahligen Optimalsteuerung (MIOC) und der Versuchsplanung für hybride Modelle zu entwickeln. Daraus wird eine Methodik zur hybriden Modellierung entwickelt. Diese kombiniert experimentelle Daten aus Versuchen mit einem gradientenfreien Kinetikreaktor mit verfügbarem physikalisch-chemischem Wissen und effizientem ML. Anschließend werden die hybriden Modelle für den robusten Prozessentwurf verwendet. In der ersten Antragsphase liegt der Schwerpunkt bei ideal durchmischten isothermen und örtlich verteilten nichtisothermen Reaktoren. Zur Erhöhung von Flexibilität und Toleranz gegenüber Änderungen von Durchsatz und Zusammensetzung werden Pufferbehälter eingeführt und neben einstufigen auch verschiedene Typen von mehrstufigen Reaktoren mit variabler Feedverteilung betrachtet. Die optimale Konfiguration und die optimalen nominellen Steuerungsprofile werden mit Hilfe von MIOC und den entwickelten hybriden Modellen für charakteristische Feedverläufe bestimmt. Zusätzlich zum robusten Prozessentwurf wird in einem dritten Schritt eine robuste Regelung zur Kompensation von Modellfehlern und unvorhergesehenen Abweichungen vom obigen nominellen Fall entwickelt. Diese basiert auf einer repetitiven Online-Optimierung und erfordert weitere Modellreduktionen und Erweiterung von Methoden für den Fall hybrider Modelle, um Echtzeitanforderungen einzuhalten. Modellierung, Design und Regelung für einen gradientenfreien Reaktor lehnen sich eng an die experimentellen Untersuchungen an, um eine effiziente Erzeugung von Daten und eine Validierung der entwickelten Konzepte zu gewährleisten. Untersuchung von komplexeren Festbettreaktoren werden zunächst in Silico mit Hilfe verfügbarer mechanistischer Modelle durchgeführt und sollen u.a. in einer möglichen 2. Förderphase experimentell validiert werden. Wir generieren neue Ansätze zur systematischen hybriden Modellierung und der anschließenden Verbindung mit Entscheidungsfindung, die physikalische Gesetze berücksichtigen und durch Robustheit die Sicherheit von ML Anwendungen erhöhen.

develop novel numerical methods that combine advantages of traditional modeling and optimization approaches with the power of data-driven machine learning (ML) and use them for
a new robust design and control methodology for power2chemicals processes. Methanol synthesis is considered as a challenging application example. Nonlinear dynamics due to strongly varying feed supplies is explicitly taken into account. The ambitious work program reflects the complementary expertise of the three participating groups in experimental realization, conceptual design, control,and efficient algorithms. In a first step, a hybrid modeling methodology is developed. It combines experimental data from a gradientless kinetic reactor with available physico-chemical insight and efficient ML. We use universal differential equations and the differentiable end-to-end programming paradigm which allow to use deep learning for unknown or expensive model parts and to extend methods of mixed-integer optimal control (MIOC) and optimal experimental design (OED). In a second step, the hybrid models are used for robust plant design. In the first period the focus is on well-mixed isothermal reactors and nonisothermal spatially distributed reactors. We want to increase flexibility and tolerance against load and composition changes. For this, buffer tanks and different types of single stage and multi stage reactors with variable feed distribution are considered. The optimal configuration and optimal nominal open loop control profiles will be determined with MIOC using the dynamic hybrid models developed above for given characteristic feed profiles over time. Plant complexity will be constrained in the formulation of the optimization problem, in view of practical applicability. In addition to a robust design, in a third step, also a robust control strategy is developed to compensate plant model mismatch and unforeseen disturbances, which differ from the nominal case considered above. For this purpose we use repetitive online optimization (NMPC) and extend state-of-the-art concepts and techniques to the special case of hybrid ML models. Modeling, design and control results for a single gradientless reactor will be closely coupled to experiments, allowing for efficient data generation and validation at the same time. An investigation of more complex fixed-bed reactors will be done in silico using available mechanistic reference models. An experimental validation is planned for a possible second funding period, among others. We plan to generate advances in Optimal Decision Making via ML-embedded optimization and control. Our hybrid ML models enforce physical laws and at the same time show promise to extract new knowledge from data via symbolic regression. We develop offline and online experimental design methods to cope with heterogeneous data and develop robust optimization methods that shall increase safety in ML applications.

Kooperationen im Projekt

MPI Magdeburg

Kontakt

Prof. Dr. Sebastian Sager

Otto-von-Guericke-Universität Magdeburg

Fakultät für Mathematik

Institut für Mathematische Optimierung

Universitätsplatz 2

39106

Magdeburg

Tel.:+49 391 6758745

sager(at)ovgu.de

weitere Projekte

Die Daten werden geladen ...