.png){kind=icon}
返回
Neural Network-Based Model Predictive Control Framework Incorporating First-Principles Knowledge for Process Systems
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.iecr.4c04305.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于模型控制方法依赖于计算效率高的预测模型来捕捉系统动态，以实现实时决策。传统方法，如基于第一原理的降阶模型，虽然具备实时可行性，但通常需要在复杂性、准确性和计算成本之间进行权衡。而数据驱动模型能够有效捕捉系统行为，但在训练过程中很少利用基于物理的知识。物理信息神经网络（PINNs）通过将支配物理方程纳入损失函数，同时利用测量数据提高精度，解决了这一差距。本研究通过将近似过程模型与含噪声的测量数据相结合，评估了PINN基方法（PINND）在面向控制的流程系统建模中的有效性。我们将PINND应用于三个案例研究：固体氧化物燃料电池、自催化Schlogl系统和非等温平推流反应器系统，这些系统由常微分方程和偏微分方程支配。所提出的方法在与机理模型、纯数据驱动模型和标准PINNs的系统比较中，考虑了插值和 Extrapolation 情景。此外，我们还评估了其在伺服和调节任务中的模型预测控制（MPC）应用。结果表明，与数据驱动的深度神经网络相比，PINND在 Extrapolation 情景下将平均绝对百分比误差降低了高达63%，同时与第一原理模型相比，将MPC计算时间减少了74%，凸显了其在实时控制应用中的潜力。
期刊
I
IF:
3.9
论文数:
4.0W
被引数:
9.6W
机构
引用论文
Solid oxide fuel cell (SOFC) performance evaluation, fault diagnosis and health control: A review固体氧化物燃料电池 (SOFC) 性能评估，故障诊断和健康控制: 综述
PREAI
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏Physics-informed neural networks for inverse problems in nano-optics and metamaterials用于纳米光学和超材料中反问题的物理通知神经网络.png)
OPTICS EXPRESS
OAAI
OPTICS EXPRESSIF3.3
OAAI分享收藏Hybrid Modeling of Fed-Batch Cell Culture Using Physics-Informed Neural Network使用物理信息神经网络对补料分批细胞培养进行混合建模
PREAI
分享收藏
查看更多内容