Onderzoeksgroep
Expertise
Modellering, optimalisatie en uitlegbaarheid voor industriële processen
Neurale netwerken op basis van harde en zachte fysica voor voorspellende modellering van industriële processen.
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)
- Promotor: Mercelis Siegfried
- Mandaathouder: Elmaz Furkan
Onderzoeksgroep(en)
Project type(s)
- Onderzoeksproject