Προτυποποίηση διεργασιών της βιομηχανίας του τσιμέντου με συνδυαστική χρήση τεχνικών μηχανικής μάθησης.

Πυλαδαρινός, Αλέξανδρος; Pyladarinos, Alexandros

dc.contributor.author	Πυλαδαρινός, Αλέξανδρος	el
dc.contributor.author	Pyladarinos, Alexandros	en
dc.date.accessioned	2022-05-17T09:06:19Z
dc.date.available	2022-05-17T09:06:19Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55144
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22842
dc.rights	Default License
dc.subject	Μηχανική Μάθηση	el
dc.subject	Μαθηματική προτυποποίηση	el
dc.subject	Μύλος άλεσης	el
dc.subject	Cement grinding	en
dc.subject	Machine learning	en
dc.subject	Embedded models	en
dc.subject	Process modelling	en
dc.subject	Ball mill	en
dc.subject	Νευρωνικά δίκτυα	el
dc.title	Προτυποποίηση διεργασιών της βιομηχανίας του τσιμέντου με συνδυαστική χρήση τεχνικών μηχανικής μάθησης.	el
dc.title	On the use of embedded models and advanced analytics to model complex processes in the cement industry.	en
heal.type	bachelorThesis
heal.classification	Μαθηματική Προτυποποίηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-10-08
heal.abstract	Ο στόχος της παρούσας διπλωματικής είναι η παρουσίαση μιας μεθόδου ενσωμάτωσης δεδομένων με συστημικό και συστηματικό τρόπο σε μαθηματικά μοντέλα διατηρώντας τις βασικές αρχές των συμβατικών υπολογιστικών προτύπων. Η μέθοδος αναβαθμίζει συμβατικές παραμέτρους αναλυτικών μοντέλων σε έξυπνες συναρτήσεις τροφοδοσίας και μπορούν να χρησιμοποιηθούν για περαιτέρω αντιστροφή του προβλήματος. Η μέθοδος θα εφαρμοστεί για την προτυποποίηση της λειτουργίας ενός κυκλώματος άλεσης τσιμέντου. Το μοντέλο είναι βασισμένο σε φυσικές εξισώσεις μεταφοράς μάζας και θεωρίας θραύσης και συνδυάζει δεδομένα προσομοίωσης και πραγματικών δεδομένων λειτουργίας για την προσαρμογή του. Ο τρόπος που προηγούμενη έρευνα έχει επιχειρήσει αυτή την προσέγγιση είναι μέσω παλινδρόμησης παραμέτρων του μοντέλου, ελαχιστοποιώντας το υπολογιζόμενο σφάλμα. Σε αυτή την έρευνα οι παράμετροι αποτελούν ένα επιπλέον στρώμα data based μοντελοποίησης. Ένας αριθμός παραμέτρων του αναλυτικού μοντέλου επιλέγονται για να μετασχηματιστούν σε συναρτήσεις των μεταβλητών εισόδου του συστήματος. Οι παράμετροι αυτές παλινδρομούνται σε κάθε πειραματικό σημείο ξεχωριστά. Οι τιμές των προσαρμοσμένων τιμών μαζί με τις αντίστοιχες μεταβλητές εισόδου χρησιμοποιούνται για την εκπαίδευση ενός νευρωνικού δικτύου με σκοπό να εξάγουμε ένα data based μοντέλο που θα περιγράφει τις σχέσεις μεταξύ αυτών. Τέλος, οι συναρτήσεις αυτές αντικαθιστούν τις σταθερές παραμέτρους στο αναλυτικό μοντέλο. Το μοντέλο που προκύπτει φαίνεται να αποδίδει καλύτερα από το συμβατικό σε ότι αφορά την πρόβλεψή του Blaine του προϊόντος ενώ το υπολογιστικό κόστος που προστίθεται λόγω του νευρωνικού μοντέλου είναι αμελητέο. Παρατηρείται 28,0% βελτιωμένη ακρίβεια σε παρεμβολή 17,4% σε προεκβολή. Σε σύγκριση, 4 αμιγώς data based μοντέλα εκπαιδευμένα σε ίδιο μέγεθος δεδομένων επιτυγχάνουν επιπλέον 64,0% και 31,9% βελτιωμένη ακρίβεια αντίστοιχα επί του υβριδικού μοντέλου. Η κατανομή των διαμέτρων των σωματιδίων που υπολογίζεται από το υβριδικό μοντέλο φαίνεται να είναι σε σχετική συμφωνία με την πειραματικά προσδιορισμένη. Οι επιπλέον βαθμοί ελευθερίας που του προσδίδονται από τις συναρτήσεις επιτρέπουν στο μοντέλο να εκφράσει τη σχέση μεταξύ των δεδομένων που το αναλυτικό μοντέλο δεν μπορεί λόγω της δυσκαμψίας των σταθερών παραμέτρων, ενώ διατηρεί τις ιδιότητες της φυσικής αντιστοιχίας ενός αναλυτικού μοντέλου. Συμπεράσματα για την επίδραση μεταβλητών που δρουν στον σφαιρόμυλο εξάγονται από τις συναρτήσεις που παράγονται από το νευρωνικό μοντέλο και λαμβάνουμε μια ενδότερη ματιά στον μηχανισμό θραύσης που επικρατεί στις συνθήκες λειτουργίας του μύλου μας. Ακόμη, λαμβάνεται μια απεικόνιση της αξονικής μεταβλητότητας της κατανομής των διαμέτρων των σωματιδίων του τσιμέντου στον μύλο και στην έξοδο. Οι προσομοιώσεις του αναλυτικού μοντέλου, καθώς και η παλινδρόμηση των παραμέτρων εκτελούνται στο λογισμικό gPROMS Model Builder και το ενσωματωμένο πακέτο Validation αντίστοιχα. Η προεπεξεργασία και διαχείριση των δεδομένων καθώς και η εκπαίδευση των νευρωνικών δικτύων έγιναν στο περιβάλλον του Colaboratory σε Python μέσω της βιβλιοθήκης του tensorflow και του API, Keras Το μοντέλο αποτελείται από ισοζύγια μάζας 10 διαστημάτων διαμέτρων σωματιδίων αξονικώς κατανεμημένων σε κάθε διαμέρισμα του μύλου, καταλήγοντας σε ένα σύστημα 20x20 2ης τάξης συνήθως διαφορικών εξισώσεων. Σε κάθε ισοζύγιο μάζας περιλαμβάνονται φαινόμενα συναγωγής, διάχυσης και θραύσης στερεών σωματιδίων. Τα δεδομένα λειτουργίας του μύλου και της ποιότητας του προϊόντος παραχωρούνται από το εργοστάσιο τσιμέντου Καμαρίου του ΤΙΤΑΝ.	el
heal.abstract	Data-driven models hold significant promises to improve modelling capabilities. Their ability includes the development of deep learning using input-output relationships, model reduction of complex systems and the development of embedded surrogates to improve lower-accuracy models. Cement production offers notable challenges in the analysis of two-phase heterogeneous mixtures considering flow with distributed solid particles as in the case of ball mills. Since cement plants involve energy intensive processes, the development of good models could assist in significant reductions of energy consumption, and the better use of design parameters to improve the process operation and to meet quality standards. Modelling challenges include the low accuracy of constructions that rely solely on first principles, the need to customize the models using online measurements, and an ambition to reduce the complex space into a simpler, agile constructions to use for decision support. The use of data analytics in complex models of the cement industry remains unclear. To that purpose, the paper explains a generic and systematic approach in the development of embedded models that could be further used for model reduction. The systems approach makes a structured and systematic use of data as they are produced at three distinct stages: simulation assignments by means of spatial differential equations, optimization runs that regress parameters for each simulation, and deep learning training that converts parameters into functions of system variables. Simulation models refer to steady-state operations of ball mills integrated to produce solid breakage in closed circuit grinding models formulated as differential equations with parameters treated as degrees of freedom. Simulations use the gPROMS Model Builder with its built-in validation module. Mass balances involve 10 particle size intervals axially distributed for each compartment of the ball mill, eventually resulting in 20 by 20 systems of second-order ODEs. For each mass balance, the equations include convective mass transfer, diffusion, and breakage phenomena. Quadratic optimization is subsequently assigned to regress real-life data available from the industrial site. For the dry cement plant, different sets of simulations are repeated for a wide range of operating conditions and product specs. The model best matching experimental data is used to predict the axial variability of particle size distribution of the cement inside the mill along with a Blaine product fineness prediction. Combined with optimization, simulation runs eventually produce sets of input-output data where inputs are the process input (or specs) with the output assigned as the best set of regressed parameters from the quadratic optimization. The data populations are used to train deep learning models and yield process parameters now as functions of the system input. Rather than conventional models where parameters are regressed to minimize errors, the proposed model is producing model parameters as functions of the system variables. Deep learning methods rely on ANNs and are compared with conventional models available using conventional regression methods. The approach can be used to reverse-engineer information flows by considering the process output as input and the physical input as output. In such versions the approach can be used to point design features that could be adjusted to improve energy efficiency or environmental performance.	en
heal.advisorName	Kokossis, Antonis	en
heal.advisorName	Κοκόσης, Αντώνιος	el
heal.committeeMemberName	Τσόπελας, Φώτιος	el
heal.committeeMemberName	Κοκόσης, Αντώνιος	el
heal.committeeMemberName	Τσιβιλής, Σωτήριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Χημικών Μηχανικών. Τομέας Ανάλυσης, Σχεδιασμού και Ανάπτυξης Διεργασιών και Συστημάτων (ΙΙ)	el
heal.academicPublisherID	ntua
heal.numberOfPages	102 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false