Вплив параметра spread радіально-базісних мереж на апроксимацію основних каналів керування реактору синтезу оцтової кислоти
DOI:
https://doi.org/10.33216/1998-7927-2025-291-5-53-58Ключові слова:
радіально-базісна нейронна мережа, реактор, апроксимація, параметр впливуАнотація
Основу хімічної промисловості становлять хімічні реактори. У нинішньому конкурентному сценарії першочергове значення має підтримка різних робочих змінних та відповідність специфікаціям продукту. Безперервний реактор з мішалкою (CSTR) широко використовується в багатьох хімічних, фармацевтичних та нафтових галузях промисловості, а також в галузі охорони навколишнього середовища та керування відходами. Моделі нейронних мереж пропонують найбільш уніфікований підхід до побудови справді інтелектуальних систем, які можуть забезпечити оптимальне керування для багатьох систем. За останнє десятиріччя штучні нейронні мережі (ІНС) набули значення як універсальні структури, керовані даними, для моделювання нелінійних стаціонарних станів, а також динамічних процесів.
Для побудови та дослідження властивостей нейронної мережі використовувалися статистичні дані реактора синтезу оцтової кислоти, який працює у стаціонарному режимі. Для моделювання використовувалося середовище програмного симулятора MATLAB 2021b.
Метою даної роботи було побудова і дослідження властивостей радіально – базісних нейронних мереж RBF і GRNN, за основними каналами керування реактором синтезу оцтової кислоти, який є газорідинним реактором з безперервним перемішуванням. Досліджену мережу можна запропонувати використовувати для керування реактором.
У роботі було досліджено вплив параметра SPREAD на структуру радіальної базисної мережі та якість апроксимації. Для моделювання радіально – базисних мереж RBF і GRNN для керування реактором синтезу оцтової кислоти по кожному каналу керування використовувалася ітераційна процедура формування мереж. Для кількісної оцінки якості апроксимації вихідних параметрів було використано відносну похибку. Параметр впливу SPREAD для радіально – базисної мережі RBF було визначено рівним 0,01, 0,1, 0,7, 2,0, 5,0, 10,0, 20,0, 50,0, 100,0. Для радіально – базисної мережі GRNN було прийнято значення параметра впливу SPREAD 0,7, 2,5,10,20,50,100. Моделювання радіально – базисних мереж RBF і GRNN для керування реактором синтезу оцтової кислоти по кожному каналу керування за допомогою ітераційної процедури формування мереж в MATLAB 2021b показало задовільну якість апроксимації вихідних даних.
Також можна казати, що радіально – базисні мережі RBF і GRNN можна використовувати для поліпшення керування реактором синтезу оцтової кислоти за всіма основними каналами керування.
Посилання
1. Kamesh R. Adaptive ANN Model based Nonlinear Control of a Semi-batch Polymerization Reactor Challenge Problem/ R. Kamesh, K. Y. Rani - 2016 Indian Control Conference (ICC), Indian Institute of Technology Hyderabad, January 4-6, 2016. Hyderabad, India, p.222-229, DOI: 10.1109/INDIANCC.2016.7441132
2. Pozna C. An approach to the design of nonlinear statespace control systems / C. Pozna, R. E., 2018, Precup Stud. Inform. Control, vol. 27, no. 1, pp. 5–14, doi.org/10.24846/v27i1y201801
3. Dirion, J.L. Elaboration of a Neural Network System for Semi-batch Reactor Temperature Control: an Experimental Study/ J.L.Dirion, B. Ettedgui, M.Cabassudm, M.V. Le Lann, & G. Casamatta, 1996, Chemical Engineering and Processing, Vol. 35, pp. 225-234. https://doi.org/10.1016/0255-2701(95)04120-6
4. Galván I.M. The use of neural networks for fitting complex kinetic data/ I.M. Galvána, J.M. Zaldívara, H. Hernández b, E. Molga , Computers & Chemical Engineering, Volume 20, Issue 12, 1996, Pages 1451-1465, https://doi.org/10.1016/0098-1354(95)00231-6
5. Gao D. X. Optimal dynamic control for CSTR nonlinear system based on feedback linearization/ D. X. Gao and H. Liu, in Proc. IEEE Conf. Chin. Control Decis. (CCDC), May 2015, pp. 1298–1302., DOI: 10.1109/CCDC.2015.7162119
6. Vasičkaninova A. Neural Network Predictive Control of a Chemical Reactor »/ A. Vasičkaninova, M. Bakošova, Acta Chimica Slovaca, Vol.2, No.2, 2009, 21 - 36 ДОИ: 10.1109/87.668039
7. Akpan, A. V. Nonlinear Model Identification and Adaptive Model Predictive Control Using Neural Networks/ A. V.Akpan, G. D.Hassapis, 2011, ISA Transactions Vol. 50, pp.177–194 дои: 10.1016/j.isatra.2010.12.007.
8. Dong-Juan L. Adaptive neural network control for continuous stirred tank reactor process/ L. Dong-Juan, 2013, IFAC Proc. Volumes, vol. 46, no. 20, pp. 171–175, Jan. doi.org/10.3182/20130902-3-CN-3020.00148
9. Nassira Z. Adaptive neural-network output feedback control design for uncertain CSTR system with input saturation/ Z. Nassira, C. Mohamed, N. Essounbouli, Oct. 2018, in Proc. Int. Conf. Elect. Sci. Tech. Maghreb (CISTEM), pp. 1–6., DOI: 10.1109/CISTEM.2018.8613330
10. Alshammari O. A Neural Network-Based Adaptive Backstepping Control Law With Covariance Resetting for Asymptotic Output Tracking of a CSTR Plant/ O. Alshammari, M. N. Mahyuddin and H. Jerbi, 2020, in IEEE Access, vol. 8, pp. 29755-29766, , doi: 10.1109/ACCESS.2020.2972621.
11. Krenker A. Introduction to the Artificial Neural Networks / Andrej Krenker, Janez Bešter and Andrej Kos, 2011, [Internet]. InTech; Available from: http://dx.doi.org/10.5772/644
12. Beyhan S. Stable modeling based control methods using a new RBF network / S. Beyhan, M. Alci, - 2010, ISA Trans., Oct;49(4):510-8. doi: 10.1016/j.isatra.2010.04.005. Epub 2010 May 14. PMID: 20471011.
13. Akpan V. A. Nonlinear model identification and adaptive model predictive control using neural networks/ Vincent A. Akpan, George D. Hassapis, - 2011, April, ISA Transactions, Volume 50, Issue 2, Pages 177-194
14. Samoilova Zh.G. Development of a mathematical model of technological processes in a reactor for the synthesis of otic acid / Zh.G. Samoilova // Eastern-European Journal of Enterprise Technologies, 5/2 (113 ), 2021, pp. 94-104, DOI: 10.15587/1729-4061.2021.242816
