Προσομοίωση και ανάλυση αντιδραστήρα καταλυτικής κλίνης με μηχανικές έξυπνης μάθησης

Γεωργάλας, Κωνσταντίνος; Georgalas, Konstantinos

dc.contributor.author	Γεωργάλας, Κωνσταντίνος	el
dc.contributor.author	Georgalas, Konstantinos	en
dc.date.accessioned	2025-11-20T08:48:54Z
dc.date.available	2025-11-20T08:48:54Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62903
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30599
dc.rights	Default License
dc.subject	Μηχανική μάθηση	el
dc.subject	Καταλυτική πυρόλυση	el
dc.subject	Προσομοίωση	el
dc.title	Προσομοίωση και ανάλυση αντιδραστήρα καταλυτικής κλίνης με μηχανικές έξυπνης μάθησης	el
heal.type	bachelorThesis
heal.classification	Τεχνητή νοημοσύνη	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-18
heal.abstract	Η χημική βιομηχανία χαρακτηρίζεται από μια σειρά από πολύπλοκες διεργασίες, οι οποίες απαιτούν προηγμένα εργαλεία μοντελοποίησης για την κατανόηση και τη βελτιστοποίησή τους. Οι διεργασίες αυτές συχνά περιλαμβάνουν μη γραμμικά φαινόμενα, αλληλεπιδράσεις πολλαπλών φάσεων, καθώς και μεγάλο αριθμό φυσικοχημικών παραμέτρων που πρέπει να ληφθούν υπόψη. Ένα παράδειγμα τέτοιας πρόκλησης είναι η καταλυτική πυρόλυση, όπου οι αντιδράσεις συμβαίνουν σε υψηλές θερμοκρασίες και σε πολύπλοκες ετερογενείς καταλυτικές επιφάνειες, καθιστώντας τη μοντελοποίηση ιδιαίτερα απαιτητική. Η συμβατική μοντελοποίηση αποτέλεσε για πολλά χρόνια τον βασικό άξονα της προσέγγισης για την κατανόηση αυτών των διεργασιών. Τα μηχανιστικά μοντέλα βασίζονται σε φυσικές αρχές, όπως η θερμοδυναμική, η κινητική των αντιδράσεων και η ρευστοδυναμική, παρέχοντας μία λεπτομερή περιγραφή του συστήματος. Παρά την αξιοπιστία τους σε συγκεκριμένες εφαρμογές, τα μοντέλα αυτά έχουν περιορισμούς. Η κατασκευή τους απαιτεί λεπτομερή πειραματικά δεδομένα και συχνά καθοδηγείται από αυστηρές παραδοχές, οι οποίες μπορεί να μην ανταποκρίνονται επαρκώς στην πολυπλοκότητα του πραγματικού συστήματος. Επιπλέον, η επεκτασιμότητα αυτών των μοντέλων σε νέες συνθήκες λειτουργίας είναι περιορισμένη. Η πρόοδος στις ψηφιακές τεχνολογίες έχει αρχίσει να μεταμορφώνει τη διαχείριση και τη μοντελοποίηση των χημικών διεργασιών. Τα σύγχρονα βιομηχανικά περιβάλλοντα παράγουν τεράστιους όγκους δεδομένων σε πραγματικό χρόνο μέσω αισθητήρων και συστημάτων ελέγχου. Αυτά τα μεγάλα σύνολα δεδομένων (big data) περιλαμβάνουν πληροφορίες για θερμοκρασίες, πιέσεις, ροές και άλλες κρίσιμες παραμέτρους, τα οποία μπορούν να αξιοποιηθούν για τη βελτίωση της κατανόησης και της πρόβλεψης της απόδοσης των διεργασιών. Ωστόσο, η διαχείριση και ανάλυση αυτών των δεδομένων παρουσιάζει νέες προκλήσεις. Τα παραδοσιακά μοντέλα δυσκολεύονται να ενσωματώσουν τέτοια μεγάλα και ποικιλόμορφα σύνολα δεδομένων, καθιστώντας απαραίτητη την ανάπτυξη νέων προσεγγίσεων. Η χρήση προηγμένων τεχνικών, όπως η μηχανική μάθηση και η τεχνητή νοημοσύνη, αναδεικνύεται ως η επόμενη φάση εξέλιξης στη μοντελοποίηση. Τα συστήματα αυτά μπορούν να αξιοποιήσουν πλήρως τα διαθέσιμα δεδομένα, ξεπερνώντας τους περιορισμούς των συμβατικών μεθόδων και προσφέροντας νέα εργαλεία για την κατανόηση των πιο απαιτητικών χημικών διεργασιών. v Η μετάβαση από τη συμβατική μοντελοποίηση στις ψηφιακές τεχνολογίες και τις τεχνικές ανάλυσης μεγάλων δεδομένων δημιουργεί νέες δυνατότητες για τη βελτιστοποίηση και την πρόβλεψη στη χημική βιομηχανία. Τα μοντέλα γίνονται πιο δυναμικά, ευέλικτα και ικανά να ανταποκριθούν σε πραγματικές συνθήκες λειτουργίας, προσφέροντας παράλληλα αυξημένη ακρίβεια και ταχύτητα στις προβλέψεις. Η μηχανική μάθηση (Machine Learning, ML) έχει αναδειχθεί ως ένα κρίσιμο εργαλείο στη χημική βιομηχανία, φέρνοντας επανάσταση στη μοντελοποίηση, την ανάλυση και τη βελτιστοποίηση σύνθετων διεργασιών. Βασιζόμενη σε μεγάλους όγκους δεδομένων, η ML προσφέρει τη δυνατότητα αναγνώρισης μοτίβων και σχέσεων που δεν είναι άμεσα εμφανείς μέσω παραδοσιακών μεθόδων, ενισχύοντας τη λήψη αποφάσεων και την αποτελεσματικότητα στις βιομηχανικές διαδικασίες. Η μετάβαση από τις συμβατικές τεχνολογίες μοντελοποίησης στη μηχανική μάθηση (ML) και την τεχνητή νοημοσύνη (AI) αποτελεί μια από τις σημαντικότερες εξελίξεις στη χημική βιομηχανία. Παραδοσιακά, οι προσεγγίσεις μοντελοποίησης βασίζονται σε μηχανιστικά μοντέλα, τα οποία είναι σχεδιασμένα με βάση φυσικές αρχές και εξισώσεις που περιγράφουν τη δυναμική των διεργασιών. Παρόλο που αυτά τα μοντέλα είναι εξαιρετικά αξιόπιστα σε συγκεκριμένες περιπτώσεις, αντιμετωπίζουν περιορισμούς όταν πρόκειται για την περιγραφή σύνθετων διεργασιών, την προσαρμογή σε νέες συνθήκες και την ανάλυση δεδομένων μεγάλης κλίμακας. Η ML και η AI προσφέρουν σημαντικά πλεονεκτήματα, ξεπερνώντας τα όρια των παραδοσιακών τεχνολογιών. Τα μοντέλα που βασίζονται σε αλγορίθμους ML έχουν τη δυνατότητα να μαθαίνουν από δεδομένα, να εντοπίζουν σχέσεις και μοτίβα που δεν είναι άμεσα εμφανή και να προσαρμόζονται συνεχώς σε νέες πληροφορίες. Αυτή η ιδιότητα καθιστά τις νέα αυτές τεχνολογίες κατάλληλες για τη μοντελοποίηση εξαιρετικά πολύπλοκων συστημάτων, όπως οι καταλυτικές διεργασίες, όπου οι συμβατικές μέθοδοι δεν μπορούν να ανταποκριθούν πλήρως. Οι μέθοδοι μηχανικής μάθησης διακρίνονται σε διάφορες κατηγορίες, ανάλογα με τη φύση του προβλήματος και τον τρόπο εκπαίδευσης των αλγορίθμων. Η επιβλεπόμενη μάθηση (supervised learning) χρησιμοποιείται για προβλήματα πρόβλεψης και ταξινόμησης, όπου τα δεδομένα εκπαίδευσης περιλαμβάνουν γνωστά αποτελέσματα. Η μη επιβλεπόμενη μάθηση (unsupervised learning) επικεντρώνεται στην αναγνώριση δομών και σχέσεων σε δεδομένα χωρίς προκαθορισμένες ετικέτες, ενώ η ενισχυτική μάθηση (reinforcement learning) βασίζεται στη βελτιστοποίηση δράσεων μέσω αλληλεπίδρασης με το περιβάλλον. Η μετάβαση στη χρήση της ML και της AI προσφέρει δυνατότητες που εκτείνονται από τη μείωση του χρόνου ανάπτυξης και προσομοίωσης έως την ενσωμάτωση προγνωστικών αναλύσεων σε πραγματικό χρόνο. Οι τεχνολογίες αυτές επιτρέπουν τη δημιουργία "μαύρων κουτιών" (black-box models), τα οποία vi προβλέπουν αποτελέσματα με βάση προηγούμενα δεδομένα χωρίς να απαιτούν λεπτομερή γνώση των φυσικών παραμέτρων. Επιπλέον, οι μεθοδολογίες "μοντέλων αντικατάστασης" (surrogate models) παρέχουν τη δυνατότητα ταχείας προσομοίωσης με σημαντική εξοικονόμηση υπολογιστικών πόρων. Στη χημική βιομηχανία, οι μέθοδοι ML έχουν εφαρμοστεί σε μια πληθώρα περιπτώσεων. Από τη βελτιστοποίηση διεργασιών έως την πρόγνωση σφαλμάτων εξοπλισμού και την ανάπτυξη νέων προϊόντων, οι τεχνικές αυτές έχουν αποδείξει την ικανότητά τους να παρέχουν καινοτόμες λύσεις. Για παράδειγμα, σε πιλοτικές εφαρμογές, έχουν χρησιμοποιηθεί για την πρόβλεψη της απόδοσης καταλυτικών αντιδράσεων, την ανάλυση ροών διεργασιών και την παρακολούθηση της λειτουργίας βιομηχανικών εγκαταστάσεων σε πραγματικό χρόνο. Μια από τις πιο σημαντικές πτυχές της μηχανικής μάθησης όπως αναφέρθηκε είναι η χρήση μοντέλων «μαύρου κουτιού». Σε αυτά τα μοντέλα συγκαταλέγονται και τα νευρωνικά δίκτυα, επιτυγχάνουν υψηλή ακρίβεια προβλέψεων χωρίς να απαιτούν λεπτομερείς γνώσεις για τις φυσικές αρχές που διέπουν το σύστημα. Παρόλο που η έλλειψη διαφάνειας μπορεί να αποτελέσει πρόκληση, η χρήση τέτοιων μοντέλων είναι πολύτιμη σε περιπτώσεις όπου η πολυπλοκότητα του συστήματος καθιστά δύσκολη τη δημιουργία μηχανιστικών μοντέλων. Παράλληλα, η ML προσφέρει τη δυνατότητα ανάπτυξης «μοντέλων αντικατάστασης» (surrogate models), τα οποία χρησιμοποιούνται για τη μείωση της πολυπλοκότητας και του υπολογιστικού φόρτου σε βιομηχανικές προσομοιώσεις. Τα μοντέλα αυτά εκπαιδεύονται χρησιμοποιώντας δεδομένα από μηχανιστικές προσομοιώσεις και χρησιμοποιούνται ως ελαφρύτερες εκδοχές για γρήγορη πρόβλεψη και βελτιστοποίηση. Επιπλέον, τεχνικές μείωσης διάστασης, όπως η PCA (Principal Component Analysis), βοηθούν στη διαχείριση μεγάλων συνόλων δεδομένων, διατηρώντας τις κρίσιμες πληροφορίες για την πρόβλεψη. Η σημασία της μηχανικής μάθησης στη χημική βιομηχανία είναι αδιαμφισβήτητη. Μέσω της εφαρμογής της, επιτυγχάνεται μεγαλύτερη ακρίβεια και ταχύτητα στη μοντελοποίηση, μειώνεται η εξάρτηση από δαπανηρές και χρονοβόρες δοκιμές, και παρέχεται η δυνατότητα για άμεση αντίδραση σε αλλαγές στη λειτουργία των διεργασιών. Αυτή η τεχνολογία ανοίγει τον δρόμο για πιο βιώσιμες και αποδοτικές βιομηχανικές πρακτικές, αναδεικνύοντας τη μηχανική μάθηση ως ένα βασικό εργαλείο για το μέλλον της χημικής βιομηχανίας. Στην παρούσα εργασία, χρησιμοποιούνται δύο βασικές πηγές δεδομένων: πραγματικά δεδομένα (real data) από τη διεργασία και δεδομένα που παράγονται από μηχανιστικά μοντέλα, συγκεκριμένα τα HYSYS και MultiCase (Aspen). Τα πραγματικά δεδομένα μπορούν να θεωρηθούν ως "μαύρο κουτί" (black box), καθώς προέρχονται απευθείας από τη λειτουργία της διεργασίας και περιέχουν όλες τις αλληλεπιδράσεις και πολυπλοκότητες της πραγματικής χημικής παραγωγής, χωρίς την ανάγκη θεωρητικών υποθέσεων ή απλοποιήσεων. Αντίθετα, vii τα δεδομένα από τα μηχανιστικά μοντέλα λειτουργούν ως "μοντέλα αντικατάστασης" (surrogate models), παρέχοντας προβλέψεις βασισμένες σε εξισώσεις που περιγράφουν τις φυσικές και χημικές αρχές της διεργασίας. Η προσέγγιση της μίξης αυτών των δύο πηγών δεδομένων δημιουργεί ένα υβριδικό σύστημα, το οποίο συνδυάζει τα πλεονεκτήματα της εμπειρικής παρατήρησης των πραγματικών δεδομένων με τη δομημένη κατανόηση των μηχανιστικών μοντέλων. Αυτή η στρατηγική επιτρέπει την ανάπτυξη πιο αξιόπιστων και ευέλικτων μοντέλων, καθώς αξιοποιεί τη λεπτομέρεια και την ακρίβεια των πραγματικών δεδομένων, ενώ παράλληλα ενσωματώνει τη δυνατότητα γενίκευσης και πρόβλεψης που προσφέρουν τα μηχανιστικά μοντέλα. Η υβριδική αυτή προσέγγιση αποτελεί ένα καινοτόμο εργαλείο για την ενίσχυση της ακρίβειας και της λειτουργικότητας στη μοντελοποίηση και ανάλυση της καταλυτικής πυρόλυσης, προσφέροντας σημαντικά πλεονεκτήματα για την κατανόηση και τη βελτιστοποίηση σύνθετων διεργασιών.	el
heal.advisorName	Κοκόσης, Αντώνης	el
heal.committeeMemberName	Τσακανίκας, Άγγελος	el
heal.committeeMemberName	Αργυρούσης, Χρήστος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Χημικών Μηχανικών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false
heal.fullTextAvailability	false