The simulation and optimization of steady state process circuits by means of artificial neural networks
Date
1993
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Stellenbosch : Stellenbosch University
Abstract
ENGLISH ABASTRACT: Since the advent of modern process industries engineers engaged in the
modelling and simulation of chemical and metallurgical processes have had to
contend with two important dilemmas. The first concerns the ill-defined nature
of the processes they have to describe, while the second relates to the
limitations of prevailing computational resources.
Current process simulation procedures are based on explicit process models in
one form or another. Many chemical and metallurgical processes are not
amenable to this kind of modelling however, and can not be incorporated
effectively into current commercial process simulators. As a result many
process operations do not benefit from the use of predictive models and
simulation routines and plants are often poorly designed and run, ultimately
leading to considerable losses in revenue.
In addition to this dilemma, process simulation is in a very real way constrained
by available computing resources. The construction of adequate process models
is essentially meaningless if these models can not be solved efficiently - a
situation occurring all too often.
In the light of these problems, it is thus not surprising that connectionist
systems or neural network methods are singularly attractive to process
engineers, since they provide a powerful means of addressing both these
dilemmas. These nets can form implicit process models through learning by
example, and also serve as a vehicle for parallel supercomputing devices. In this
dissertation the use of artificial neural networks for the steady state modelling
and optimization of chemical and metallurgical process circuits is consequently
investigated.
The first chapter is devoted to a brief overview of the simulation of chemical
and metallurgical plants by conventional methods, as well as the evolution and
impact of computer technology and artificial intelligence on the process
industries.
Knowledge of the variance covariance matrices of process data is of paramount
importance to data reconciliation and gross error detection problems, and
although various methods can be employed to estimate these often unknown variances, it is shown in the second chapter that the use of feedforward neural
nets can be more efficient than conventional strategies.
In the following chapter the important problem of gross error detection in
process data is addressed. Existing procedures are statistical and work well for
systems subject to linear constraints. Non-linear constraints are not handled
well by these methods and it is shown that back propagation neural nets can be
trained to detect errors in process systems, regardless of the nature of the
constraints.
In the fourth chapter the exploitation of the massively parallel information
processing structures of feedback neural nets in the optimization of process
data reconciliation problems is investigated. Although effective and
sophisticated algorithms are available for these procedures, there is an ever
present demand for computational devices or routines that can accommodate
progressively larger or more complex problems. Simulations indicate that neural
nets can be efficient instruments for the implementation of parallel strategies
for the optimization of such problems.
In the penultimate chapter a gold reduction plant and a leach plant are modelled
with neural nets and the models shown to be considerably better than the linear
regression models used in practice. The same technique is also demonstrated
with the modelling of an apatite flotation plant. Neural nets can also be used in
conjunction with other methods and in the same chapter the steady state
simulation and optimization of a gravity separation circuit with the use of two
linear programming models and a neural net are described.
AFRIKAANSE OPSOMMING: Sedert die ontstaan van prosesingenieurswese, het ingenieurs gemoeid met die modellering en simulasie van chemiese en metallurgiese prosesse met twee belangrike dilemmas te kampe gehad. Die eerste het te make met die swakgedefinieerde aard van chemiese prosesse, wat die beskrywing en dus ook die beheer daarvan kompliseer, terwyl die tweede verband hou met die beperkinge van huidige berekeningsmiddele. Die prosesse wat tans gebruik word om chemiese prosesse te simuleer is gebaseer op eksplisiete prosesmodelle van een of ander aard. Baie chemiese en metallurgiese prosesse kan egter nie op 'n eksplisiete wyse gemodelleer word nie, en kan gevolglik ook nie doeltreffendheid deur kommersiële prosessimulators beskryf word nie. Die bedryf van baie prosesse vind derhalwe nie baat by die gebruik van voorspellende modelle en simulasie-algoritmes nie en aanlegte word dikwels suboptimaal ontwerp en bedryf, wat uiteindelik tot aansienlike geldelike verliese kan lei. Prosessimulasie word op die koop toe ook beperk deur die beskikbaarheid van berekeningsfasiliteite. Die konstruksie van geskikte prosesmodelle hou geen voordeel in as hierdie modelle nie doeltreffendheid opgelos kan word nie. Teen die agtergrond van hierdie probleme is dit nie verrassend dat neurale netwerke 'n besondere bekoring vir prosesingenieurs inhou nie, aangesien hulle beide hierdie dilemmas aanspreek. Hierdie nette kan implisiete prosesmodelle konstrueer deur te leer van voorbeelde en dien ook as 'n raamwerk vir parallelle superrekenaars. In hierdie proefskrif word die gebruik van kunsmatige neurale netwerke vir gestadigde toestandsmodellering en optimering van chemiese en metallurgiese prosesse gevolglik ondersoek. Die eerste hoofstuk word gewy aan 'n kort oorsig oor die simulasie van chemiese en metallurgiese aanlegte met konvensionele tegnieke, asook die ontwikkeling en impak van rekenaartegnologie en skynintelligensie in die prosesnywerhede. Kennis van die variansie-kovariansie-matrikse van prosesdata is van kardinale belang vir datarekonsiliasie en die identifikasie en eliminasie van sistematiese foute en alhoewel verskeie metodes aangewend kan word om hierdie onbekende variansies te beraam, word daar in die tweede hoofstuk getoon dat die gebruik van neurale netwerke meer doeltreffend is as konvensionele strategieë. In die volgende hoofstuk word die belangrike probleem van sistematiese foutopsporing in prosesdata ondersoek. Bestaande prosedures is statisties van aard en werk goed vir stelsels onderworpe aan lineêre beperkinge. Nie-lineêre beperkinge kan nie doeltreffend deur hierdie prosedures hanteer word nie en daar word gewys dat terugwaarts-propagerende nette geleer kan word om sulke foute in prosessisteme op te spoor, ongeag die aard van die beperkinge. In die vierde hoofstuk word die rekonsiliasie van prosesdata met behulp van massiewe parallelle dataverwerkingstrukture soos verteenwoordig deur terugvoerende neurale nette, ondersoek. Alhoewel doeltreffende en gesofistikeerde algoritmes beskikbaar is vir die optimering van die tipe probleme, is daar 'n onversadigbare aanvraag na rekenaars wat groter en meer komplekse stelsels kan akkommodeer. Simulasie dui aan dat neurale nette effektief aangewend kan word vir die implementering van parallelle strategieë vir dié tipe optimeringsprobleme. In die voorlaaste hoof stuk word die konneksionistiese modellering van 'n goudreduksie- en 'n logingsaanleg beskryf en daar word aangetoon dat die neurale netwerk-modelle aansienlik beter resultate lewer as die linneêre regressie modelle wat in die praktyk gebruik word. Dieselfde tegnieke vir die modellering van 'n flottasie-aanleg vir apatiet word ook bespreek. Neural nette kan ook saam met ander metodes aangewend word en in dieselfde hoofstuk word die gebruik van twee lineêre programmeringsmodelle en 'n neural net om 'n gravitasieskeidingsbaan onder gestadigde toestande te simuleer en te optimeer, beskryf.
AFRIKAANSE OPSOMMING: Sedert die ontstaan van prosesingenieurswese, het ingenieurs gemoeid met die modellering en simulasie van chemiese en metallurgiese prosesse met twee belangrike dilemmas te kampe gehad. Die eerste het te make met die swakgedefinieerde aard van chemiese prosesse, wat die beskrywing en dus ook die beheer daarvan kompliseer, terwyl die tweede verband hou met die beperkinge van huidige berekeningsmiddele. Die prosesse wat tans gebruik word om chemiese prosesse te simuleer is gebaseer op eksplisiete prosesmodelle van een of ander aard. Baie chemiese en metallurgiese prosesse kan egter nie op 'n eksplisiete wyse gemodelleer word nie, en kan gevolglik ook nie doeltreffendheid deur kommersiële prosessimulators beskryf word nie. Die bedryf van baie prosesse vind derhalwe nie baat by die gebruik van voorspellende modelle en simulasie-algoritmes nie en aanlegte word dikwels suboptimaal ontwerp en bedryf, wat uiteindelik tot aansienlike geldelike verliese kan lei. Prosessimulasie word op die koop toe ook beperk deur die beskikbaarheid van berekeningsfasiliteite. Die konstruksie van geskikte prosesmodelle hou geen voordeel in as hierdie modelle nie doeltreffendheid opgelos kan word nie. Teen die agtergrond van hierdie probleme is dit nie verrassend dat neurale netwerke 'n besondere bekoring vir prosesingenieurs inhou nie, aangesien hulle beide hierdie dilemmas aanspreek. Hierdie nette kan implisiete prosesmodelle konstrueer deur te leer van voorbeelde en dien ook as 'n raamwerk vir parallelle superrekenaars. In hierdie proefskrif word die gebruik van kunsmatige neurale netwerke vir gestadigde toestandsmodellering en optimering van chemiese en metallurgiese prosesse gevolglik ondersoek. Die eerste hoofstuk word gewy aan 'n kort oorsig oor die simulasie van chemiese en metallurgiese aanlegte met konvensionele tegnieke, asook die ontwikkeling en impak van rekenaartegnologie en skynintelligensie in die prosesnywerhede. Kennis van die variansie-kovariansie-matrikse van prosesdata is van kardinale belang vir datarekonsiliasie en die identifikasie en eliminasie van sistematiese foute en alhoewel verskeie metodes aangewend kan word om hierdie onbekende variansies te beraam, word daar in die tweede hoofstuk getoon dat die gebruik van neurale netwerke meer doeltreffend is as konvensionele strategieë. In die volgende hoofstuk word die belangrike probleem van sistematiese foutopsporing in prosesdata ondersoek. Bestaande prosedures is statisties van aard en werk goed vir stelsels onderworpe aan lineêre beperkinge. Nie-lineêre beperkinge kan nie doeltreffend deur hierdie prosedures hanteer word nie en daar word gewys dat terugwaarts-propagerende nette geleer kan word om sulke foute in prosessisteme op te spoor, ongeag die aard van die beperkinge. In die vierde hoofstuk word die rekonsiliasie van prosesdata met behulp van massiewe parallelle dataverwerkingstrukture soos verteenwoordig deur terugvoerende neurale nette, ondersoek. Alhoewel doeltreffende en gesofistikeerde algoritmes beskikbaar is vir die optimering van die tipe probleme, is daar 'n onversadigbare aanvraag na rekenaars wat groter en meer komplekse stelsels kan akkommodeer. Simulasie dui aan dat neurale nette effektief aangewend kan word vir die implementering van parallelle strategieë vir dié tipe optimeringsprobleme. In die voorlaaste hoof stuk word die konneksionistiese modellering van 'n goudreduksie- en 'n logingsaanleg beskryf en daar word aangetoon dat die neurale netwerk-modelle aansienlik beter resultate lewer as die linneêre regressie modelle wat in die praktyk gebruik word. Dieselfde tegnieke vir die modellering van 'n flottasie-aanleg vir apatiet word ook bespreek. Neural nette kan ook saam met ander metodes aangewend word en in dieselfde hoofstuk word die gebruik van twee lineêre programmeringsmodelle en 'n neural net om 'n gravitasieskeidingsbaan onder gestadigde toestande te simuleer en te optimeer, beskryf.
Description
Dissertation (Ph.D.) -- University of Stellenbosch, 1993.
Keywords
Chemical processes -- Data processing, Neural networks (Computer science), Chemical processes -- Computer simulation, Metallurgical plants -- Data processing, Dissertations -- Metallurgical engineering, UCTD