توسعه مدلهای جانشین مبتنی بر یادگیری ماشین برای بهینه سازی فرآیند جذب مستقیم دی اکسیدکربن از هوا

شبیه سازی دقیق فرآیند جذب مستقیم دی اکسید کربن از هوا (DAC) با استفاده از چرخه جذب نوسانی دما و خلا (TVSA) به دلیل نیاز به حل معادلات پیچیده و زمان محاسباتی بالا، چالشی اساسی در طراحی و بهینه سازی به شمار می آید. به منظور غلبه بر این محدودیت در این پژوهش مجموعه ای از مدل های جانشین توسعه داده شده و عملکرد آنها مورد مقایسه قرار گرفت. چرخه جذب نوسانی دما و خلا. داده های آموزشی با استفاده از روش نمونه گیری لاتین هایپرکیوب (LHS) از شبیه سازی فرآیند TVSA تولید گردید. مدل های مختلف شامل رگرسیون چندجمله ای (PR)، رگرسیون ریج کرنل (KRR)، مدل های جانشین ماشین بردار پشتیبان (SVR)، رگرسیون فرآیندهای گاوسی یا کریجینگ و شبکه عصبی مصنوعی یادگیری ماشین (ANN) آموزش داده شدند و دقت آنها مورد ارزیابی قرار گرفت. نتایج نشان داد که تمامی مدل های جانشین توانایی بالایی در پیش بینی متغیرهای کلیدی فرآیند دارند و در میان آنها مدل کریجینگ دقیق ترین پیش بینی را ارائه داده است. مدل منتخب سپس در چارچوب بهینه سازی چندهدفه با استفاده از الگوریتم ژنتیک غیر غالب سازی مرتب سازی (NSGA-III) برای کمینه سازی مصرف انرژی ویژه و تعداد واحدهای موازی در فرآیند TVSA به کار گرفته شد. این رویکرد مبتنی بر مدل های جانشین موجب کاهش چشمگیر هزینه محاسباتی شده و امکان شناسایی کاراتر نقاط بهینه طراحی فرآیند TVSA را فراهم ساخته است. نتایج این پژوهش بیانگر کارایی بالای ترکیب مدل های یادگیری ماشین و الگوریتم های تکاملی در طراحی و بهینه سازی فرآیندهای جذب CO۲ از هوا است.

کلیدواژه ها:

جذب مستقیم دی اکسیدکربن از هوا ، شبیه سازی دقیق فرآیند جذب مستقیم دی اکسید کربن از هوا (DAC) ، چرخه جذب نوسانی دما و خلا (TVSA) ، مدل جانشین ، الگوریتم ژنتیک غیر غالب سازی بهینه سازی چندهدفه