[論文レビュー] Application of artificial neural networks and genetic algorithms for crude fractional distillation process modeling

Łukasz Pater|arXiv (Cornell University)|Apr 30, 2016

Advanced Control Systems Optimization参考文献 20被引用数 8

ひとこと要約

本論文では、精製所の原油分留工程における製品品質を予測するため、人工ニューラルネットワーク（ANNs）と遺伝的アルゴリズム（GAs）を組み合わせたハイブリッドモデルを提案する。歴史的プロセスデータで訓練されたANN-GAモデルは、分析結果と一致する高精度な分留分野の性質予測を実現し、GAsによりネットワーク構造と学習効率が最適化され、信頼性の高いリアルタイム品質予測と解釈可能な知識抽出を可能にする。

ABSTRACT

This work presents the application of the artificial neural networks, trained and structurally optimized by genetic algorithms, for modeling of crude distillation process at PKN ORLEN S.A. refinery. Models for the main fractionator distillation column products were developed using historical data. Quality of the fractions were predicted based on several chosen process variables. The performance of the model was validated using test data. Neural networks used in companion with genetic algorithms proved that they can accurately predict fractions quality shifts, reproducing the results of the standard laboratory analysis. Simple knowledge extraction method from neural network model built was also performed. Genetic algorithms can be successfully utilized in efficient training of large neural networks and finding their optimal structures.

研究の動機と目的

• 機械学習を用いて原油分留製品品質の予測モデルを開発すること。
• 遺伝的アルゴリズムによる最適化を通じて、ニューラルネットワークの学習とアーキテクチャ選択を改善すること。
• 標準的なラボ分析結果と照らし合わせて、モデルの正確性を検証すること。
• 訓練済みニューラルネットワークから解釈可能な知識を抽出すること。
• 産業的分留プロセスにおけるリアルタイム品質予測を可能にすること。

提案手法

• PKN ORLEN S.A.精製所の歴史的プロセスデータを用いて、人工ニューラルネットワーク（ANNs）を訓練した。
• 遺伝的アルゴリズム（GAs）を用いて、ANNsのアーキテクチャおよび学習プロセスを最適化した。
• GA最適化済みのANNsは、選択されたプロセス変数に基づき、重要な製品品質パラメータを予測した。
• モデルの性能は、独立したテストデータセットを用いて検証した。
• 訓練済みニューラルネットワークモデルを解釈するための簡単な知識抽出手法を適用した。
• ハイブリッドアプローチにより、大規模なANNの効率的学習と最適なネットワーク構造の特定が可能になった。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドANN-GAモデルは、原油分留における製品品質を高精度に予測できるか？
• RQ2 遺伝的アルゴリズムは、産業的プロセスモデリングにおけるANN構造と学習の最適化にどの程度効果的か？
• RQ3 モデルの予測正確性は、標準的なラボ分析結果とどの程度一致するか？
• RQ4 訓練済みニューラルネットワークモデルから意味のある知識を抽出できるか？
• RQ5 このモデルは産業的精製所環境におけるリアルタイム品質予測を支援できるか？

主な発見

• ANN-GAモデルは、標準的なラボ分析結果と密接に一致する高精度で製品品質パラメータを予測できた。
• 遺伝的アルゴリズムは、大規模ニューラルネットワークの学習の効率性と有効性を顕著に向上させた。
• 最適化されたニューラルネットワークアーキテクチャは、未知のテストデータに対しても頑健な性能を示した。
• モデルは、分留品質の変化といった複雑なプロセス行動を再現する能力を有していた。
• 簡単な知識抽出手法により、訓練済みニューラルネットワークから解釈可能なインサイトが得られた。
• ハイブリッドアプローチは、産業的原油分留プロセスにおけるリアルタイム品質予測に有効であることが実証された。