Machine learning models in steady-state process simulations

Abstract

Process modelling has conventionally relied on first principles methods representing thermodynamic systems and unit operations with a mathematical model. Since the mathematical models are solved iteratively, large simulation flowsheets often have very long computational times, or even fail to converge if certain complex thermodynamic and mass transfer models are used. In recent years, machine learning (ML) methods have shown potential in shortening the computational times and decreasing the number of simulation runs needed. Therefore, the aim of this thesis was to study the opportunities, challenges, and other important factors to consider related to applying ML models in steady-state process simulations.

In the literature part of this thesis, a general overview on ML and the most important thermodynamic and physical constraints for ML models in process simulations were presented. Moreover, factors such as training data quality and quantity, computational and training times as well as opportunities in modelling systems that are difficult to model with first principles methods alone were recognized as important aspects and potential benefits and challenges in ML process modelling. Amine absorption is a reactive unit operation with rate-controlled reactions that conventionally requires a complex model, where convergence issues hinder its use as a part of larger simulation flowsheets. In the applied part of this thesis, ML tools provided by Aspen Plus were used to create neural network and linear models of amine absorption with the goal of shortening computational times and increasing model robustness while maintaining accuracy. Additionally, the effect of different ML model properties as well as training data quantity and wideness were studied. Training data for the models was generated by simulating an amine absorber with a rate-based column model using electrolyte thermodynamics.

The first principles driven, artificial intelligence driven, and reduced order models were able to accurately and with increased model robustness model the absorption column in interpolated validation cases while the computational time per case was reduced to less than half of the base model’s computational time. Extrapolating the models, however, is not recommended based on these results, and model training data should be wide enough to cover all necessary use cases. The most accurate models were obtained with training datasets of 25 000 or more datapoints, which gives an indication to the order of magnitude needed in this type of modelling.

Kemiallisten prosessien mallinnuksessa on perinteisesti käytetty laskennallisia menetelmiä erilaisten yksikköoperaatio- ja termodynaamisten mallien ratkaisemiseen. Koska laskennalliset mallit ratkaistaan iteratiivisesti, kookkaiden prosessisimulaatioiden ratkaisuajat ovat usein pitkiä, eivätkä tiettyjä monimutkaisia termodynaamisia- ja aineensiirtomalleja sisältävät simulaatiot välttämättä konvergoi lainkaan. Lähivuosina koneoppimismetodeilla on osoitettu olevan valmiuksia lyhentää simulaatioiden ratkaisuaikoja ja vähentää tarvittujen ajojen määrää. Tämän työn tarkoituksena oli tutkia koneoppimismallien käytön tuomia mahdollisuuksia, haasteita ja muita huomioonotettavia aspekteja stationaaritilaisissa prosessisimulaatioissa.

Työn kirjallisuusosassa tehtiin yleiskatsaus koneoppimismalleihin sekä tärkeisiin prosessisimulaatiosovelluksissa huomioon otettaviin termodynaamisiin ja fyysisiin rajoitteisiin. Lisäksi kirjallisuuskatsaus osoitti tärkeiksi tekijöiksi koneoppimismallien kehityksessä koulutusdatan laadun ja määrän sekä mallien koulutukseen ja valmiiden mallien ratkaisuun kuluvan ajan, sekä mahdollisuudet mallintaa systeemejä joiden mallinnus perinteisin menetelmin on haastavaa. Amiiniabsorptio on reaktiivinen yksikköoperaatio, jonka nopeusperustaista mallia ei kompleksisuutensa ja konvergointivaikeuksiensa takia voida juuri käyttää osana suurempia prosessisimulaatioita. Siispä tämän työn soveltavassa osassa luotiin neuroverkko- sekä lineaarisia koneoppimismalleja Aspen Plus -työkaluilla. Koneoppimismallien tavoitteena oli absorptiokolonnin tarkka mallinnus lyhyemmillä ratkaisuajoilla sekä konvergenssiongelmia välttäen. Myös koneoppimismallien ominaisuuksien, koulutusdatan määrän ja laajuuden vaikutuksia koneoppimismallien ennustuskykyyn tutkittiin. Koulutusdata luotiin simuloimalla nopeusperusteista amiiniabsorberikolonnia elektrolyyttisellä termodynamiikkamallilla.

Työssä luodut mallit pystyivät ennustamaan absorptiokolonnia tarkasti interpoloiduissa validointiajoissa ilman konvergenssiongelmia. Mallien ratkaisuaika oli alle puolet nopeusperustaisen kolonnimallin ratkaisuajasta. Mallien ekstrapolointia sen sijaan ei työn tulosten perusteella suositella, vaan kaikki käyttötapaukset on tarpeen sisällyttää koulutusdataan. Tarkimmin kolonnin toimintaa ennustavat mallit luotiin vähintään 25 000 datapistettä sisältävällä koulutusdatalla, mikä antaa osviittaa kyseisenkaltaisissa sovelluksissa tarvittavasta datan määrästä.