Physics informed machine learning based optimization for chemical engineering applications
Kimya mühendisliği uygulamaları için fizik bilgisiyle zenginleştirilmiş makine öğrenmesine dayalı optimizasyon
- Tez No: 980985
- Danışmanlar: DR. ÖĞR. ÜYESİ ERDAL AYDIN
- Tez Türü: Doktora
- Konular: Kimya Mühendisliği, Chemical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Kimya ve Biyoloji Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yapay sinir ağları, karmaşık endüstriyel sistemlerde mekanistik modellere güçlü bir alternatif sunar, ancak etkinlikleri genellikle gürültülü veriler, sınırlı örnek sayısı ve eğitim ile optimizasyonun hesaplama yükü gibi etkenlerle sınırlıdır. Bu çalışma, süreç modelleme ve optimizasyonu için fiziksel bilgiye dayalı yapılar, transfer öğrenme teknikleri ve gelişmiş eğitim stratejilerini entegre ederek bu zorluklara çözüm sunmaktadır. Fiziksel bilgiye dayalı sinir ağları, ikincil optimizasyon problemlerinde kullanılmış ve bir dizi vaka çalışması—basit bir karışım sürecinden ham petrol damıtma ünitesine kadar—çözüm kalitesinde ve optimizasyon güvenilirliğinde sürekli iyileşmeler göstermiştir. Fiziksel bilgiye dayalı eğitimle yapılan doğrusal parça yaklaşımları, CPU zamanlarını azaltırken, neredeyse her zaman global optimumları elde etmiştir. PINN eğitimi, bir rafineri atık su arıtma tesisinde dinamik parametreleri modellemek için yinelemeli sinir ağlarına genişletilmiştir. Fiziksel bilgiye dayalı LSTM ve GRU modelleri, tahmin doğruluğunu iyileştirmiştir; LSTM, ortalama kare hatasını %20'den fazla azaltırken, GRU ise COD tahmin hatalarını %11 oranında düşürmüş ve çevrimiçi doğrulama sırasında ince ayar yapma gereksinimini ortadan kaldırmıştır. Transfer öğrenme teknikleri, gürültülü ve sınırlı veri koşullarını ele almak için kullanılmış ve hibrit fiziksel bilgiye dayalı transfer öğrenme modeli, temel modellere kıyasla test ve doğrulama ortalama kare hatasında sırasıyla %27 ve %59'luk azalmalar sağlanmıştır. Son olarak, SOSX algoritması, sinir ağı eğitimine uyarlanmış ve çeşitli ağ yapılandırmalarında neredeyse sıfır eğitim hatası elde edilmiştir. Bu yöntem, geleneksel karışık tamsayılı programlama tabanlı yöntemlere kıyasla CPU zamanını önemli ölçüde azaltırken, büyük sinir ağı yapılandırmalarına da polinomsal ölçeklenebilirlik göstermektedir. Bu yaklaşımlar bir arada değerlendirildiğinde, fiziksel bilgiye dayalı bilgi, mimari yenilikler ve optimizasyon tekniklerinin birleştirilmesinin, endüstriyel ve çevresel süreçlerdeki sinir ağı modellerinin tahminsel performansını ve hesaplama verimliliğini önemli ölçüde artırabileceği gösterilmektedir.
Özet (Çeviri)
Neural networks offer a promising alternative to first-principles models in complex industrial systems, but their effectiveness is often limited by noisy data, scarce samples, and the computational demands of training and optimization. This work addresses these challenges by integrating physics-informed structures, transfer learning, and advanced training strategies for process modeling and optimization. Physics-informed neural networks were employed in surrogate optimization problems, where case studies—from a simple blending process to a crude oil distillation unit—showed consistent improvements in solution quality and optimization reliability. The integration of physics-informed training with piecewise linear approximations reduced CPU times, while predominantly achieving global optima. PINN training was also extended to recurrent neural networks for modeling dynamic parameters in a refinery wastewater treatment plant. Physics-informed LSTM and GRU models improved prediction accuracy, with the LSTM reducing MSE by over 20% and the GRU cutting COD prediction errors by 11% compared to standard models, while eliminating the need for fine-tuning during online validation. Transfer learning techniques were applied to address noisy and limited data conditions, where a hybrid physics-informed transfer learning model outperformed baseline models, reducing test and validation MSE by up to 27% and 59%, respectively. Finally, the semi-continuous specially ordered set based training (SOSX) algorithm was adapted for neural network training, achieving near-zero training error across various network configurations while significantly reducing CPU time compared to traditional MIP-based methods. These results highlight SOSX's scalability and applicability to large neural network configurations. Collectively, these approaches demonstrate how combining physics-based knowledge, architectural innovations, and optimization techniques can enhance the predictive performance and computational efficiency of neural networks in industrial and environmental processes.
Benzer Tezler
- Physics-informed machine learning-based modeling and control of dynamic process systems
Dinamik sistemlerin fizik bilgili makine öğrenimi tabanlı modellemesi ve kontrolü
TUSE ASRAV
Yüksek Lisans
İngilizce
2023
Kimya MühendisliğiKoç ÜniversitesiKimya ve Biyoloji Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERDAL AYDIN
- Kısmi diferansiyel denklemleri çözmek için kuantum makine öğrenmesi algoritmaları
Quantum machine learning algorithms for solving partial differential equations
AFRAH NAJIB ABDULLAH FAREA
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. MUSTAFA SERDAR CELEBİ
- Yapay zeka yöntemleri ile ökzetik yapıların geliştirilmesi
Development of auxeti̇c structures usi̇ng arti̇fi̇ci̇alintelli̇gence methods
MERVE SENA KARAHAN BEŞİR
Yüksek Lisans
Türkçe
2026
Makine MühendisliğiBursa Uludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. BETÜL SULTAN YILDIZ
- Sürekli tip cam ergitme fırınları için hesaplamalı akışkanlar dinamiği tabanlı indirgenmiş model geliştirilmesi
Development of a computational fluid dynamics based reduced order model for continuous glass melting furnaces
ENGİN DENİZ CANBAZ
Doktora
Türkçe
2025
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT GÜR
- Feasibility of different CFD methods and data-driven approaches for prediction of flow characteristics in various engineering applications.
Çeşitli mühendislik uygulamalarinda akiş karakteristiklerinin tahmini i̇çin farkli had yöntemlerinin ve veri odakli yaklaşimlarin uygulanabilirliği
MUHAMMED ALHASAN
Doktora
İngilizce
2026
Makine MühendisliğiÇukurova ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. BEŞİR ŞAHİN