Neural network modelling applied on a chemical plant

The thesis aims at developing a data-driven model of an Ethylene-Oxide Recovery unit using the Neural Network algorithms. The system under study composed of two main components named Absorber and Stripper columns, which are able to recover the Ethylene-Oxide carrying into the plant through reactor gas stream. For this purpose, a detailed physical model of the plant is first developed in Aspen-Plus simulation environment and validated with real data collected from several experiments in the plant. Simulation results show that the reference model is able to stimulate correctly nonlinear dynamical behavior of the plant. The proposed Aspen-Plus model is then used as data generator in order to provide various data sets in several different operational conditions useful for training a neural network. Several different training techniques and network structures are investigated to find the best fit against real data. In particular, will be developed an open loop NARX neural network and a closed loop version of it and will be underlined the different behaviors and ability to generalize. It will turn out that, the closed loop version of the NARX neural network, with the available training data sets, can't reach good results as the open loop configuration. Then will be done some tests on the open loop neural network, as increase the steps of prediction, or analize the behavior of the network reducing the size of the training data sets and will be trained a neural network for an application in an MPC model.

La tesi mira a sviluppare un modello basato sui dati di un'unità di recupero dell'ossido di etilene utilizzando gli algoritmi delle reti neurali. Il sistema in esame è composto da due componenti principali, denominate Absorber e Stripper, in grado di recuperare l'ossido di etilene trasportato nell'impianto attraverso il gas del reattore. A tal proposito, un dettagliato modello fisico dell'impianto verrà prima sviluppato nell'ambiente di simulazione Aspen-Plus e convalidato con dati reali raccolti da diversi esperimenti sull'impianto. I risultati della simulazione mostrano che il modello di riferimento è in grado di stimolare correttamente il comportamento dinamico non lineare dell'impianto. Il modello Aspen-Plus proposto viene quindi utilizzato come generatore di dati, al fine di fornire vari set di dati in diverse condizioni operative, utili per il training di una rete neurale. Saranno studiate diverse tecniche di modellazione di reti neurali per trovare la migliore corrispondenza con i dati reali. In particolare, verrà sviluppata una rete neurale di tipo NARX, in open loop e una sua versione in closed loop, e verranno evidenziati i diversi comportamenti e le diverse capacità di approssimare il sistema in questione. Risulterà che la versione in closed loop della rete neurale, con i set di dati di addestramento disponibili, non è in grado di raggiungere buoni risultati come la configurazione in open loop. Verranno quindi effettuati alcuni test sulla rete neurale in open loop, ad esempio, aumentare i passi di predizione, o analizzare il comportamento della rete riducendo la dimensione dei set di dati di addestramento ed inoltre verrà modellata una rete neurale per un'applicazione in un modello MPC.