طراحی کنترلر پیشبین مبتنی بر مدل LSTM-MPC و بهینه سازی ازدحام ذرات PSO برای تنظیم دمای پلیمریزاسیون پلی بوتلین سوکسینات PBS

این پژوهش یک استراتژی کنترل پیشبین مدل داده محور مبتنی بر شبکه عصبی LSTM و الگوریتم بهینه سازی ازدحام ذرات (PSO) برای تنظیم دقیق دمای راکتور پلیمریزاسیون پلی بوتیلن سوکسینات ارائه می دهد. مدل LSTM با داده های شبیه سازی آموزش، اعتبارسنجی و بهینه سازی شد. کنترلر با مقایسه دمای پیش بینی شده و مرجع و بهره گیری از PSO در افق کنترلی ۱۰ ثانیه ای توان هیتر را محاسبه می کند. جریان جرمی خروجی و انرژی واکنش نیز به عنوان ورودی های اضافی لحاظ شدند. نتایج نشان داد دما در ۲۰ دقیقه از محیط به ۴۶۰K با میانگین خطای ۰.۲K رسیده و عملکردی برتر از روش های کلاسیک برای سیستم های غیرخطی دارد.

کلیدواژه ها:

کنترلر پیشبین مبتنی بر مدل ، پلیمریزاسیون ، شبکه عصبی حافظه طولانی کوتاه مدت ، بهینه سازی ازدحام ذرات