Process flowsheet optimization integrating mixed-integer programming and surrogate models with adaptive uncertainty

doi:10.1016/j.ces.2026.124993

Process flowsheet optimization integrating mixed-integer programming and surrogate models with adaptive uncertainty

2026-08-24

0

PRE

AI

I

Ibrahim Mert Kahraman

C

Carine Menezes Rebello

I

Idelfonso B.R. Nogueira

DOI：10.1016/j.ces.2026.124993

原文链接

原文求助

摘要

En 中文

将机器学习集成到过程工程中，已实现复杂化工工艺低成本、可持续的设计开发。然而，这种集成引入了可靠性问题，因为基于人工神经网络的代理模型固有的预测不确定性可能导致在工厂-模型不匹配情况下出现约束违反。本研究开发了一种面向变点检测的自适应不确定性管理方法，以在超结构优化中解决此问题。与以往为单个单元操作采用独立代理模型或无结构约束的神经网络训练方法不同，本研究将整个超结构表示为一个通过带条件跳跃连接的受约束非线性规划（NLP）公式训练的单个代理模型。在此背景下，条件跳跃连接被引入网络架构，以确保对应于非活动设备和流程路径的输出精确为零。所得到的代理模型嵌入到混合整数非线性规划（MINLP）公式中，同时优化过程决策变量和简化的经济目标，并通过析取规划考虑代理预测不确定性。所提出的不确定性量化方法引入了自适应回退，反映了不同操作工况下变化的预测精度，降低了产品纯度约束违反的可能性，并支持不过度保守的解决方案。结果表明，与传统的基于人工神经网络的超结构代理模型相比，苯乙烯生产中代理模型的预测误差有所降低。这些发现证明了所提出方法在人工神经网络代理模型不确定性下进行鲁棒大规模过程设计的适用性。

Process flowsheet optimization integrating mixed-integer programming and surrogate models with adaptive uncertainty

摘要

期刊

机构

引用论文