کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

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

نویسندگان :

محمد یزدانی¹ علیرضا چاروقچی² شهره فاطمی³ محمد فخرالسلام⁴

1- دانشگاه تهران 2- دانشگاه تهران 3- دانشگاه تهران 4- دانشگاه تربیت مدرس

کلمات کلیدی :

جذب مستقیم دی‌اکسیدکربن از هوا،چرخه جذب نوسانی دما و خلأ،مدل‌های جانشین،یادگیری ماشین،الگوریتم ژنتیک غیرغالب‌سازی،بهینه‌سازی چندهدفه

چکیده :

شبیه‌سازی دقیق فرآیند جذب مستقیم دی‌اکسیدکربن از هوا (Direct Air Capture - DAC) با استفاده از چرخه جذب نوسانی دما و خلأ (Temperature Vacuum Swing Adsorption - TVSA) به‌دلیل نیاز به حل معادلات پیچیده و زمان محاسباتی بالا، چالشی اساسی در طراحی و بهینه‌سازی به شمار می‌آید. به‌منظور غلبه بر این محدودیت، در این پژوهش مجموعه‌ای از مدل‌های جانشین (Surrogate Models) توسعه داده شده و عملکرد آن‌ها مورد مقایسه قرار گرفت. داده‌های آموزشی با استفاده از روش نمونه‌گیری لاتین هایپرکیوب (Latin Hypercube Sampling - LHS) از شبیه‌سازی فرآیند TVSA تولید گردید. مدل‌های مختلف شامل رگرسیون چندجمله‌ای (Polynomial Regression - PR)، رگرسیون ریج کرنل (Kernel Ridge Regression - KRR)، ماشین بردار پشتیبان (Support Vector Regression - SVR)، فرآیندهای گاوسی یا کریجینگ (Gaussian Process Regression - GPR / Kriging) و شبکه عصبی مصنوعی (Artificial Neural Network - ANN) آموزش داده شدند و دقت آن‌ها مورد ارزیابی قرار گرفت. نتایج نشان داد که تمامی مدل‌های جانشین توانایی بالایی در پیش‌بینی متغیرهای کلیدی فرآیند دارند و در میان آن‌ها، مدل GPR دقیق‌ترین پیش‌بینی را ارائه داده است. مدل منتخب سپس در چارچوب بهینه‌سازی چندهدفه (Multi-Objective Optimization) با استفاده از الگوریتم ژنتیک غیرغالب‌سازی مرتب‌سازی III (NSGA-III) برای کمینه‌سازی مصرف انرژی ویژه و تعداد واحدهای موازی در فرآیند TVSA به‌کار گرفته شد. این رویکرد مبتنی بر مدل‌های 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 مدل‌های یادگیری ماشین و الگوریتم‌های تکاملی در طراحی و بهینه‌سازی فرآیندهای جذب CO2 از هوا است.