論文の概要: Physics-Informed Neural Network Digital Twin for Dynamic Tray-Wise Modeling of Distillation Columns under Transient Operating Conditions
- arxiv url: http://arxiv.org/abs/2603.24644v1
- Date: Wed, 25 Mar 2026 14:45:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-27 20:52:47.909796
- Title: Physics-Informed Neural Network Digital Twin for Dynamic Tray-Wise Modeling of Distillation Columns under Transient Operating Conditions
- Title（参考訳）: 過渡運転条件下における蒸留塔の動的トレー幅モデリングのための物理インフォームニューラルネットワークディジタルツイン
- Authors: Debadutta Patra, Ayush Bardhan Tripathy, Soumya Ranjan Sahu, Sucheta Panda,
- Abstract要約: デジタルツイン技術は、産業プロセスの監視、制御、最適化のための変換機能を提供する。
本研究は, 過渡条件下で動作する2次蒸留塔の動的, トレイワイドなモデリングのための物理インフォームドニューラルネットワーク(PINN)デジタルツインフレームワークを提案する。
提案したPINNデジタルツインは, 工業蒸留プロセスにおけるリアルタイムソフトセンシング, モデル予測制御, 異常検出のための堅牢な基盤として確立された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Digital twin technology, when combined with physics-informed machine learning with simulation results of Aspen, offers transformative capabilities for industrial process monitoring, control, and optimization. In this work, the proposed model presents a Physics-Informed Neural Network (PINN) digital twin framework for the dynamic, tray-wise modeling of binary distillation columns operating under transient conditions. The architecture of the proposed model embeds fundamental thermodynamic constraints, including vapor-liquid equilibrium (VLE) described by modified Raoult's law, tray-level mass and energy balances, and the McCabe-Thiele graphical methodology directly into the neural network loss function via physics residual terms. The model is trained and evaluated on a high-fidelity synthetic dataset of 961 timestamped measurements spanning 8 hours of transient operation, generated in Aspen HYSYS for a binary HX/TX distillation system comprising 16 sensor streams. An adaptive loss-weighting scheme balances the data fidelity and physics consistency objectives during training. Compared to five data-driven baselines (LSTM, vanilla MLP, GRU, Transformer, DeepONet), the proposed PINN achieves an RMSE of 0.00143 for HX mole fraction prediction (R^2 = 0.9887), representing a 44.6% reduction over the best data-only baseline, while strictly satisfying thermodynamic constraints. Tray-wise temperature and composition profiles predicted under transient perturbations demonstrate that the digital twin accurately captures column dynamics including feed tray responses, reflux ratio variations, and pressure transients. These results establish the proposed PINN digital twin as a robust foundation for real-time soft sensing, model-predictive control, and anomaly detection in industrial distillation processes.
- Abstract（参考訳）: デジタルツイン技術は、物理インフォームド機械学習とAspenのシミュレーション結果を組み合わせることで、産業プロセスの監視、制御、最適化のための変換機能を提供する。
本研究では, 過渡条件下で動作する2次蒸留塔の動的, トレイワイズモデリングのための物理インフォームドニューラルネットワーク(PINN)デジタルツインフレームワークを提案する。
提案したモデルのアーキテクチャは、ラウルトの法則の修正による気液平衡(VLE)、トレーレベルの質量とエネルギーのバランス、マッケイブ・シール図解法などの基本的な熱力学的制約を、物理残差項を介してニューラルネットワーク損失関数に直接埋め込む。
16個のセンサストリームからなる2成分HX/TX蒸留システムに対して,Aspen HYSYSで生成した過渡操作8時間にわたる991タイムスタンプの高忠実度合成データセットをトレーニングし,評価した。
適応的な損失重み付け方式は、トレーニング中のデータの忠実度と物理の一貫性の目標のバランスをとる。
5つのデータ駆動ベースライン(LSTM、バニラMLP、GRU、Transformer、DeepONet)と比較して、提案したPINNは、HXモル分率予測(R^2 = 0.9887)に対して0.00143のRMSEを達成する。
過渡摂動下で予測されるトレーの温度と組成プロファイルは、デジタルツインがフィードトレイ応答、リフラックス比の変動、圧力過渡率などのカラムダイナミクスを正確に捉えていることを示している。
これらの結果から, 産業蒸留プロセスにおけるリアルタイムソフトセンシング, モデル予測制御, 異常検出のための堅牢な基盤として, PINNディジタルツインが確立された。
関連論文リスト
- Gradient Networks for Universal Magnetic Modeling of Synchronous Machines [39.146761527401424]
本稿では,飽和同期機の動的モデリングのための物理インフォームドニューラルネットワーク手法を提案する。
本稿では,勾配ネットワークを基本機械方程式に直接組み込むアーキテクチャを提案する。
本稿では,5.6kW永久磁石同期機の有限要素法(FEM)を用いて提案手法を検証する。
論文 参考訳（メタデータ） (2026-02-16T17:28:42Z) - Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。
提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
論文 参考訳（メタデータ） (2025-12-20T04:46:25Z) - Real-time distortion prediction in metallic additive manufacturing via a physics-informed neural operator approach [3.607834195988809]
本稿では,将来の15秒間におけるzおよびy方向予測のための物理インフォームド・スマートニューラルホライゾン演算子(PINO)を提案する。
PINOモデルの性能は、欠陥の制御におけるリアルタイムの時間歪み場予測の可能性を強調している。
論文 参考訳（メタデータ） (2025-11-17T09:37:04Z) - PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。
本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。
これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。
Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
論文 参考訳（メタデータ） (2025-09-29T14:36:45Z) - Latent Thermodynamic Flows: Unified Representation Learning and Generative Modeling of Temperature-Dependent Behaviors from Limited Data [0.0]
表現学習と生成モデリングを密接に統合したエンドツーエンドのフレームワークであるLaTF(Latent Thermodynamic Flows)を紹介する。
LaTFはNational Predictive Information Bottleneck(SPIB)をNFと統合し、低次元の潜在表現を同時に学習する。
我々は、モデルポテンシャル、チグノリンタンパク質、レナード・ジョーンズ粒子のクラスターを含む様々なシステムにおけるLaTFの有効性を実証する。
論文 参考訳（メタデータ） (2025-07-03T21:02:36Z) - Learnable-Differentiable Finite Volume Solver for Accelerated Simulation of Flows [40.06403338393609]
本研究では,粗い格子上の流動の効率的かつ正確なシミュレーションを行うため,LDrと呼ばれる学習可能で微分可能な有限体積解法を提案する。
実験により、LDrは、顕著なマージンを持つベースラインモデルを上回る効率を達成することが示された。
論文 参考訳（メタデータ） (2025-06-23T14:22:27Z) - Bridging Equilibrium and Kinetics Prediction with a Data-Weighted Neural Network Model of Methane Steam Reforming [0.0]
運動と平衡の両方を統一できる代理モデルを示す。
運動と平衡の実験からの実験データを含む包括的なデータセットに基づいてトレーニングされた人工ニューラルネットワーク。
ネットワークが予測の連続デリバティブを提供する能力は、特にプロセスモデリングと最適化に有用である。
論文 参考訳（メタデータ） (2025-04-15T14:55:06Z) - Physically Interpretable Representation and Controlled Generation for Turbulence Data [39.42376941186934]
本稿では,高次元科学的データを低次元,物理的に意味のある表現に符号化するデータ駆動型手法を提案する。
レイノルズ数の範囲を越えるシリンダーを過ぎる流れの2次元ナビエ・ストークスシミュレーションを用いて,本手法の有効性を検証した。
論文 参考訳（メタデータ） (2025-01-31T17:51:14Z) - Deep Neural Operator Enabled Digital Twin Modeling for Additive Manufacturing [9.639126204112937]
デジタルツイン(DT)は、現実世界の物理的プロセスの仮想ツインとして振る舞う。
L-PBFプロセスの閉ループフィードバック制御のためのディープ・ニューラル演算子を用いたDTの計算フレームワークを提案する。
開発したDTは、AMプロセスのガイドと高品質製造の促進を目的としている。
論文 参考訳（メタデータ） (2024-05-13T03:53:46Z) - Direct data-driven forecast of local turbulent heat flux in
Rayleigh-B\'{e}nard convection [0.0]
Prandtl number $rm Pr=7$とRayleigh number $rm Ra=107$の2次元乱流Rayleigh-B'enard対流
縮小潜在データ空間における流れデータの時間進行に2つの繰り返しニューラルネットワークを適用する。
12層を隠蔽した畳み込み自己エンコーダは、乱流データの次元を元の大きさの0.2%まで縮めることができる。
論文 参考訳（メタデータ） (2022-02-26T12:39:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。