ANN basata sull'algoritmo di ottimizzazione delle balene modificate: un nuovo modello predittivo per l'impianto di desalinizzazione RO

Rapporti scientifici volume 13, numero articolo: 2901 (2023) Citare questo articolo

874 accessi

2 citazioni

1 Altmetrico

Dettagli sulle metriche

Negli ultimi decenni, i metodi di ottimizzazione ispirati alla natura hanno svolto un ruolo fondamentale nell’aiutare i progettisti di impianti industriali a trovare soluzioni superiori per i parametri di processo. Secondo la letteratura, tali metodi sono semplici, rapidi e indispensabili per risparmiare tempo, denaro ed energia. A questo proposito, il Modified Whale Optimization Algorithm (MWOA) ibridato con le reti neurali artificiali (ANN) è stato impiegato nelle prestazioni dell'impianto di desalinizzazione a osmosi inversa (RO) per stimare il flusso di permeato (0,118‒2,656 L/h m2). I set di dati dell'impianto sono stati raccolti dalla letteratura e includono quattro parametri di input: portata di alimentazione (400‒600 L/h), temperatura di ingresso dell'evaporatore (60‒80 °C), concentrazione del sale di alimentazione (35‒140 g/L) e temperatura ingresso condensatore (20‒30 °C). A questo scopo, sono stati proposti dieci modelli predittivi (da MWOA-ANN Model-1 a ​​Model-10), che sono in grado di prevedere il flusso di permeato (L/h m2) più accurato rispetto ai modelli esistenti (Response Surface Methodology (RSM), ANN e modelli ibridi WOA-ANN) con errori minimi. I risultati della simulazione suggeriscono che l'algoritmo MWOA dimostra una maggiore capacità di ottimizzazione nel trovare i pesi e i bias corretti in modo da consentire una modellazione superiore basata su ANN senza limitazione di overfitting. Sono stati proposti dieci modelli MWOA-ANN (dal Modello 1 al Modello 10) per studiare le prestazioni dell'impianto. Il modello 6 con un singolo strato nascosto (H = 1), undici nodi di strato nascosto (n = 11) e tredici agenti di ricerca (SA = 13) ha prodotto risultati di regressione eccezionali (R2 = 99,1%) con errori minimi (MSE = 0,005). Anche gli errori residui per il Modello 6 risultano entro i limiti (intervallo compreso tra −0,1 e 0,2). Infine, i risultati mostrano che i modelli MWOA-ANN esaminati sono promettenti per identificare i migliori parametri di processo per assistere i progettisti di impianti industriali.

Questa sezione è stata divisa in tre parti: la prima parte descrive il background di ANN e WOA, mentre la seconda parte dettaglia la revisione della letteratura. La terza parte spiega i principali obiettivi, i contributi e il profilo della ricerca.

L’ambizione umana di svolgere le attività in modo più rapido, semplice ed economico ha portato al crescente sviluppo di operazioni efficienti in tutto il mondo1,2. Allo stesso modo, l’industria degli impianti di processo si sta trasformando in una cultura in cui le decisioni vengono prese sulla base dell’analisi dei dati e dei risultati sperimentali3,4. A questo proposito, i set di dati sperimentali dell'impianto sono stati raccolti e valutati per ottenere nuove informazioni, che aiutano i progettisti dell'impianto nel processo decisionale per risparmiare tempo di elaborazione, costi operativi ed energia1,5,6.

Negli ultimi decenni, le industrie degli impianti di processo sono diventate notevolmente più dinamiche e si sono rivolte ad analisi avanzate, algoritmi di ottimizzazione e strumenti di apprendimento automatico per fornire soluzioni predittive e prescrittive per migliorare le loro prestazioni3,5,6,7,8,9,10,11 . Questi algoritmi e strumenti sono semplici, adattabili ed efficienti per analizzare set di dati di impianti di piccole e grandi dimensioni. Alcuni algoritmi e strumenti intelligenti comunemente utilizzati di recente includono le reti neurali artificiali (ANN)12,13,14,15, le colonie di api artificiali (ABC)16,17, l'ottimizzazione degli sciami di gatti (CSO)18,19, l'ottimizzazione degli sciami di particelle (PSO) )20,21,22, Algoritmo Firefly (FA)23, Algoritmo pipistrello (BA)23,24, Algoritmo di ottimizzazione balena (WOA)17,25,26,27, Ottimizzatore lupo grigio (GWO)17,25,28,29 ,30 Algoritmo di ottimizzazione Butterfly (BOA)31, Ant Lion Optimizer (ALO)17, Support Vector Machine (SVM)18,32,33, Metodologia della superficie di risposta (RSM)34,35, Algoritmo genetico di ordinamento non dominato (NSGA)36 e il loro ibrido.

L'ANN, in generale, segue l'algoritmo di training della backpropagation (BP) mentre trova un insieme ottimale di pesi e bias di connessione del nodo per ridurre l'errore. Una previsione accurata di pesi e distorsioni è molto importante per garantire prestazioni elevate del modello. L'approccio BP utilizza un algoritmo di discesa del gradiente e richiede un gran numero di iterazioni37. La letteratura suggerisce che una delle maggiori sfide nell’utilizzo della tecnica della discesa del gradiente è il suo intrappolamento negli ottimi locali. Questo è interamente legato ai valori iniziali di peso considerati37, che influiscono sull'accuratezza finale dei modelli. Pertanto, i ricercatori hanno trovato soluzioni alternative come GA, PSO, GWO e WOA per ridurre al minimo questi problemi1,6.