[논문 리뷰] Application of artificial neural networks and genetic algorithms for crude fractional distillation process modeling

Łukasz Pater|arXiv (Cornell University)|2016. 04. 30.

Advanced Control Systems Optimization참고 문헌 20인용 수 8

한 줄 요약

이 논문은 정유소의 원유 분수증류 공정에서 제품 품질을 예측하기 위해 인공신경망(ANNs)과 유전알고리즘(GAs)을 융합한 하이브리드 모델을 제안한다. 이전 공정 데이터로 훈련된 ANN-GA 모델은 실험실 분 析 결과와 유사한 정확도로 분수 특성을 정확히 예측하며, GAs는 네트워크 구조와 훈련 효율성을 최적화하여 신뢰할 수 있는 실시간 품질 예측과 해석 가능한 지식 추출을 가능하게 한다.

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.

연구 동기 및 목표

• 기계학습을 활용하여 원유 증류 제품 품질을 예측하는 모델을 개발하기 위해.
• 유전알고리즘 최적화를 통해 신경망 훈련과 아키텍처 선택을 향상시키기 위해.
• 모델의 정확도를 표준 실험실 분 析 결과와 비교 검증하기 위해.
• 훈련된 신경망에서 해석 가능한 지식을 추출하여 공정 이해를 돕기 위해.
• 산업적 증류 공정 환경에서 실시간 품질 예측을 가능하게 하기 위해.

제안 방법

• PKN ORLEN S.A. 정유소의 이전 공정 데이터를 기반으로 인공신경망(ANNs)을 훈련시켰다.
• 유전알고리즘(GAs)을 사용하여 ANNs의 아키텍처와 훈련 과정을 최적화하였다.
• GA 최적화된 ANNs는 선택된 공정 변수를 바탕으로 주요 제품 품질 파라미터를 예측하였다.
• 모델 성능은 독립된 테스트 데이터 세트를 사용하여 검증하였다.
• 훈련된 신경망 모델을 해석하기 위해 단순한 지식 추출 방법을 적용하였다.
• 하이브리드 접근 방식은 대규모 ANNs의 효율적 훈련과 최적의 네트워크 구조 식별을 가능하게 하였다.

실험 결과

연구 질문

• RQ1 하이브리드 ANN-GA 모델은 원유 분수증류에서 제품 품질을 정확하게 예측할 수 있는가?
• RQ2 유전알고리즘이 산업 공정 모델링을 위한 신경망 아키텍처와 훈련을 최적화하는 데 얼마나 효과적인가?
• RQ3 모델의 예측 정확도가 표준 실험실 분 析 결과와 어느 정도 일치하는가?
• RQ4 훈련된 신경망 모델에서 의미 있는 지식을 추출할 수 있는가?
• RQ5 이 모델은 산업 정유소 환경에서 실시간 품질 예측을 지원할 수 있는가?

주요 결과

• ANN-GA 모델은 표준 실험실 분 析 결과와 매우 유사한 높은 정확도로 제품 품질 파라미터를 성공적으로 예측하였다.
• 유전알고리즘이 대규모 신경망 훈련의 효율성과 효과성을 크게 향상시켰다.
• 최적화된 신경망 아키텍처는 미리 보지 않은 테스트 데이터에 대해 강력한 성능을 보였다.
• 모델는 분수 품질 변화와 같은 복잡한 공정 행동을 재현할 수 있었다.
• 단순한 지식 추출 방법을 통해 훈련된 신경망에서 해석 가능한 통찰을 확보할 수 있었다.
• 하이브리드 접근 방식은 산업적 원유 증류 공정에서 실시간 품질 예측에 효과적이었다.