Abstract
Dit project heeft als doel een schaalbare, fysica-geïnformeerde modelleringsmethode te ontwikkelen die kan
worden gebruikt in de industrie, met initiële focus op farmaceutische en chemische processen. Door harde
beperkingen, zoals massa- en energiebalansen, te combineren met zachte beperkingen, zoals warmte-
overdrachtscoëfficiënt en vloeistofenthalpie, zullen Hard-Soft Physics Informed Neural Networks (PINNs) de
data-efficiëntie verbeteren en de fysieke geldigheid waarborgen. De methodologie zal worden geëvalueerd
aan de hand van gevestigde industriestandaarden en andere hybride modellen met behulp van een solvent-
switch use case bij Johnson & Johnson, met de nadruk op convergentie, nauwkeurigheid, data-efficiëntie en
integratie met reinforcement learning (RL). Deze methodologie zal de hoeksteen zijn voor het oplossen van
het schaalbaarheidsprobleem voor het bieden van een end-to-end procesoptimalisatieoplossing.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)