Identificación de la unidad de destilación de crudo: una comparación entre red neuronal y operador Koopman
Autores: Abubakar, Abdulrazaq Nafiu; Khaldi, Mustapha Kamel; Aldhaifallah, Mujahed; Patwardhan, Rohit; Salloum, Hussain
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Identificación de la unidad de destilación de crudo: una comparación entre red neuronal y operador Koopman
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Papel
Dinámica
Unidad de destilación de crudo
Datos de bucle cerrado
NARX-NN
Operador de Koopman
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
En este artículo, nuestro objetivo fue identificar la dinámica de una unidad de destilación de crudo (CDU) utilizando datos en bucle cerrado con NARX-NN y el operador de Koopman en formas lineales (KL) y bilineales (KB). Se realizó un análisis comparativo para evaluar el rendimiento de cada método bajo diferentes condiciones experimentales, como la ganancia, un desajuste en el retardo y la constante de tiempo, restricciones estrictas, no linealidades y una sintonización deficiente. Aunque NARX-NN mostró un buen rendimiento de entrenamiento con el error cuadrático medio (MSE) más bajo, el KB demostró una mejor generalización y robustez, superando a los otros métodos. El KL observó una disminución significativa en el rendimiento en presencia de no linealidades en las entradas, sin embargo, se mantuvo competitivo con el KB bajo otras circunstancias. El uso de la forma bilineal resultó ser crucial, ya que ofreció una representación más precisa de la dinámica de la CDU, lo que se tradujo en un rendimiento mejorado.
Descripción
En este artículo, nuestro objetivo fue identificar la dinámica de una unidad de destilación de crudo (CDU) utilizando datos en bucle cerrado con NARX-NN y el operador de Koopman en formas lineales (KL) y bilineales (KB). Se realizó un análisis comparativo para evaluar el rendimiento de cada método bajo diferentes condiciones experimentales, como la ganancia, un desajuste en el retardo y la constante de tiempo, restricciones estrictas, no linealidades y una sintonización deficiente. Aunque NARX-NN mostró un buen rendimiento de entrenamiento con el error cuadrático medio (MSE) más bajo, el KB demostró una mejor generalización y robustez, superando a los otros métodos. El KL observó una disminución significativa en el rendimiento en presencia de no linealidades en las entradas, sin embargo, se mantuvo competitivo con el KB bajo otras circunstancias. El uso de la forma bilineal resultó ser crucial, ya que ofreció una representación más precisa de la dinámica de la CDU, lo que se tradujo en un rendimiento mejorado.