.png){kind=icon}
返回
Soft Actor-Critic Reinforcement Learning Improves Distillation Column Internals Design Optimization
.png){kind=icon}
OA
AI
DOI：10.3390/chemengineering9020034.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在计算机化学过程建模和模拟软件包取得进展并应用于商业应用以加速化学过程设计与分析的背景下，设计优化中的某些任务（如精馏塔内部构件设计）仍因此类软件包的固有局限性而成为瓶颈。本研究展示了软演员-评论家（SAC）强化学习（RL）在自动化确定板式多级精馏塔最优设计任务中的应用。设计环境利用 AspenPlus® 软件（版本12，Aspen Technology Inc.，Bedford，Massachusetts，USA）及其 RadFrac 模块，对塔内部构件进行所需的严格建模。RL 计算工作通过开发一个允许与 AspenPlus® 接口的 Python 软件包实现，并在 OpenAI 的 Gymnasium 模块（版本1.0.0，OpenAI Inc.，San Francisco，California，USA）中实现了状态和动作变量的学习空间。结果表明：(1) SAC RL 可作为精馏塔内部构件设计的自动化方法；(2) SAC 模型中的奖励方案对 SAC 性能产生显著影响；(3) 塔径是达到泛点条件下塔内部构件设计规格的重要约束；(4) SAC 超参数对 SAC 性能具有不同影响。SAC RL 可作为一次性学习模型实施，通过自动化优化过程显著改进多级精馏塔内部构件的设计。
Keyword:
machine learning
reinforcement learning
chemical process design
期刊
IF:
3.4
论文数:
348
被引数:
1.6K
机构
引用论文
Exploring reward shaping in discrete and continuous action spaces: A deep reinforcement learning study on Turtlebot3探索离散和连续动作空间中的奖励塑形：基于Turtlebot3的深度强化学习研究.png)
PAMM
OAAI
PAMMIF0
OAAI分享收藏The Application of Process Simulation Software of Aspen Plus Chemical Engineering in the Design of Distillation ColumnAspen Plus化工过程模拟软件在精馏塔设计中的应用
PREAI
分享收藏SciPy 1.0: fundamental algorithms for scientific computing in PythonSciPy 1.0: Python中科学计算的基本算法NATURE METHODSOAAI
NATURE METHODSIF32.1
OAAI分享收藏Machine learning based predictive model for methanol steam reforming with technical, environmental, and economic perspectives基于机器学习的甲醇蒸汽重整预测模型，具有技术，环境和经济的观点
PREAI
分享收藏
查看更多内容