SEARCH

SEARCH BY CITATION

Keywords:

  • SVR;
  • GA;
  • modeling and optimization

Abstract

This article presents an artificial intelligence-based process modeling and optimization strategies, namely support vector regression–genetic algorithm (SVR-GA) for modeling and optimization of catalytic industrial ethylene oxide (EO) reactor. In the SVR-GA approach, an SVR model is constructed for correlating process data comprising values of operating and performance variables. Next, model inputs describing process operating variables are optimized using Genetic Algorithm (GAs) with a view to maximize the process performance. The GA possesses certain unique advantages over the commonly used gradient-based deterministic optimization algorithms The SVR-GA is a new strategy for chemical process modeling and optimization. The major advantage of the strategies is that modeling and optimization can be conducted exclusively from the historic process data wherein the detailed knowledge of process phenomenology (reaction mechanism, kinetics, etc.) is not required. Using SVR-GA strategy, a number of sets of optimized operating conditions leading to maximized EO production and catalyst selectivity were obtained. The optimized solutions when verified in actual plant resulted in a significant improvement in the EO production rate and catalyst selectivity.

On présente dans cet article des stratégies de modélisation et d'optimisation de procédés reposant sur l'intelligence artificielle, à savoir la méthode basée sur la régression des vecteurs de soutien et l'algorithme génétique (SVR-GA) pour la modélisation et l'optimisation du réacteur d'oxyde d'éthylène (EO) industriel catalytique. Dans la méthode SVR-GA, un modèle de régression des vecteurs de soutien est mis au point pour corréler les données de procédé comprenant les valeurs des variables de fonctionnement et de performance. Par la suite, les données d'entrée du modèle décrivant les variables de fonctionnement du procédé sont optimisées à l'aide de l'algorithme génétique (GA) dans l'optique de maximiser la performance du procédé. Le GA possède certains avantages uniques par rapport aux algorithmes d'optimisation déterministes basés sur les gradients communément utilisés. La SVR-GA est une nouvelle stratégie pour la modélisation et l'optimisation des procédés. Le principal avantage de ces stratégies est que la modélisation et l'optimisation peuvent être menées exclusivement à partir des données de procédés historiques, et il n'est pas nécessaire de connaître en détail la phénoménologie des procédés (mécanisme de réaction, cinétique, etc.). À l'aide de la stratégie SVR-GA, plusieurs séries de conditions opératoires optimisées conduisant à une production d'EO et une sélectivité de catalyseur maximisées ont été obtenues. Les solutions optimisées vérifiées en installations réelles permettent une amélioration significative du taux de production d'EO et de la sélectivité du catalyseur.