Застосування фізично обґрунтованих нейронних мереж (pinn) у контролі якості продукту процесу Габера-Боша
DOI:
https://doi.org/10.33216/1998-7927-2024-286-6-190-198Ключові слова:
фізично обґрунтовані нейронні мережі, PINNs, контроль якості, процес Габера-Боша, синтез аміаку, цифровий двійникАнотація
У статті розглянуто можливості застосування фізично обґрунтованих нейронних мереж (Physics-Informed Neural Networks, PINNs) для контролю якості аміаку, що виробляється за процесом Габера-Боша. Процес синтезу аміаку є високонелінійним і важливим промисловим процесом, де стабільність і висока якість продукту мають критичне значення. Традиційні методи контролю якості стикаються з обмеженнями, такими як брак прямих онлайн-вимірювань ключових параметрів та потреба в значних обсягах даних для побудови моделей. PINNs пропонують гібридний підхід, що поєднує фізичні закони процесу з можливостями глибокого навчання, дозволяючи здійснювати точне прогнозування концентрації та чистоти аміаку в реальному часі на основі обмеженого набору датчиків. У роботі проаналізовано сучасні дослідження, присвячені застосуванню нейромереж у промислових процесах, та обґрунтовано архітектуру PINN-моделі для моніторингу якості продукту в синтезі аміаку. Показано переваги PINNs над традиційними методами – скорочення потреби у даних, забезпечення фізично узгоджених результатів та інтеграція в існуючі системи керування для підвищення ефективності виробництва.
Обґрунтовано, що фізично обґрунтовані нейронні мережі пропонують новий рівень інтелектуального контролю для хімічних процесів. У випадку синтезу аміаку цей підхід дозволяє по-новому вирішити давні проблеми контролю якості, об’єднавши науку і дані. Реалізація PINN у виробництві аміаку потенційно забезпечить більш високу якість продукту, гнучкість операцій та стійкість процесу, сприяючи прогресу в напрямі «Industry 4.0» [20] в хімічній промисловості. Це крок до більш розумних і ефективних заводів, де кожен важливий процес знаходиться під надійним наглядом комбінованого інтелекту людини та машини. Очікується, що
впровадження такої технології сприятиме підвищенню виходу та стабільності процесу, зниженню енерговитрат (через оптимальні режими) та покращенню безпеки (завдяки ранньому виявленню відхилень і потенційних несправностей, що у масштабах глобальної індустрії може дати значний економічний ефект і зменшити споживання природного газу та викиди CO₂.
Посилання
1. Ahmed, Hafiz Sharjeel, et al. "Sustainable pathways to ammonia: a comprehensive review of green production approaches." Clean Energy 8.2, 2024: 60-72.
2. Erfani, Navid, Luqmanulhakim Baharudin, and Matthew Watson. "Recent advances and intensifications in Haber-Bosch ammonia synthesis process." Chemical Engineering and Processing-Process Intensification, 2024: 109962.
3. Humphreys, John, Rong Lan, and Shanwen Tao. "Development and recent progress on ammonia synthesis catalysts for Haber–Bosch process." Advanced Energy and Sustainability Research 2.1 (2021): 2000043.
4. Capdevila-Cortada, Marcal. "Electrifying the haber–bosch." Nature Catalysis 2.12, 2019: 1055-1055.
5. Chai, Wai Siong, et al. "A review on ammonia, ammonia-hydrogen and ammonia-methane fuels." Renewable and Sustainable Energy Reviews 147, 2021: 111254.
6. Awad, Omar I., et al. "Characteristics of NH3/H2 blend as carbon-free fuels: A review." International Journal of Hydrogen Energy 48.96, 2023: 38077-38100.
7. Wang, Du, et al. "Numerical study of the premixed ammonia-hydrogen combustion under engine-relevant conditions." International Journal of Hydrogen Energy 46.2, 2021: 2667-2683.
8. Zhu, Baoyu, et al. "A physics-informed neural network that considers monotonic relationships for predicting NOx emissions from coal-fired boilers." Fuel 364, 2024: 131026.
9. Xu, Tao, et al. "Synthesis, characterization, and antibacterial activity of N, O-quaternary ammonium chitosan." Carbohydrate research 346.15, 2011: 2445-2450.
10. Raissi, Maziar, Paris Perdikaris, and George E. Karniadakis. "Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations." Journal of Computational physics 378, 2019: 686-707.
11. Cuomo, Salvatore, et al. "Scientific machine learning through physics–informed neural networks: Where we are and what’s next." Journal of Scientific Computing 92.3, 2022: 88.
12. Li, Kai-Qi, et al. "A PINN-based modelling approach for hydromechanical behaviour of unsaturated expansive soils." Computers and Geotechnics 169, 2024: 106174.
13. Weng, Yuting, and Dezhi Zhou. "Multiscale physics-informed neural networks for stiff chemical kineti
14. Rao, Yongming, et al. "GFNet: Global filter networks for visual recognition." IEEE Transactions on Pattern Analysis and Machine Intelligence 45.9, 2023: 10960-10973.cs." The Journal of Physical Chemistry A 126.45, 2022: 8534-8543.
15. Cabral, Thales W., et al. "Load Recognition in Home Energy Management Systems Based on Neighborhood Components Analysis and
Regularized Extreme Learning Machine." Sensors 24.7, 2024: 2274.
16. Smith, Collin, Alfred K. Hill, and Laura Torrente-Murciano. "Current and future role of Haber–Bosch ammonia in a carbon-free energy landscape." Energy & Environmental Science 13.2, 2020: 331-344.
17. Genedy, Rana A., et al. "A physics-informed long short-term memory (LSTM) model for estimating ammonia emissions from dairy manure during storage." Science of The Total Environment 912, 2024: 168885.
18. Kouvaritakis, Basil, and Mark Cannon. "Model predictive control." Switzerland: Springer International Publishing 38.13-56, 2016: 7.
19. Patel, Janak M., et al. "Parameter Tuning and Modeling of a Rotary Kiln using Physics-Informed Neural Networks." ICML, 2024. AI for Science Workshop.
20. Ghobakhloo, Morteza. "Industry 4.0, digitization, and opportunities for sustainability." Journal of cleaner production 252, 2020: 119869.
