Surrogate modeling for process engineering applications : criticalities of data sampling and model building

Process simulations are at the very core of chemical engineering, as they represent the fundamental tool in order to analyze the behavior of the complex underlying reality. These simulations have reached such a high degree of detail and have become so sophisticated that the process optimization turns out to be prohibitive and sometimes unfeasible, due to its high computational cost. For this reason, the use of surrogate models, i. e. an instrument that succeeds in describing the complex relation between the inputs and the outputs of a simulation, has been recently introduced, in order to simplify the successive analysis. In this research work, carried out in collaboration with the INP – ENSIACET University of Toulouse, we combine the typical skills and tools of chemical engineering with those of artificial intelligence in order to come up with surrogate models of a common unit operation, namely the distillation column. In this regard, a methodology has been developed exploiting the recent software ALAMO (Automatic Learning of Algebraic MOdels), in order to find models of the key outputs of the column, which should be as simple as possible and usable as a basis for a preliminary investigation. The initial data sampling strategy and its criticalities have been carefully studied, as they have been found to have a strong influence on the goodness of the final results. Hence, several case studies will be presented to show not only the applicability range and the potential future developments of this research work, but also its limitations.

Le simulazioni di processo costituiscono il cuore dell’ingegneria chimica, in quanto rappresentano lo strumento fondamentale per l’analisi del comportamento della complessa realtà che vi sta alla base. Queste simulazioni sono arrivate ad un grado di dettaglio talmente elevato e sono diventate così sofisticate che l’ottimizzazione del processo risulta essere proibitiva e talvolta irrealizzabile a livello di costo computazionale. Per questo motivo, recentemente, è stato introdotto l’utilizzo dei modelli surrogati, ovvero di uno strumento in grado di descrivere la complessa relazione tra input e output di una simulazione, in modo da semplificarne l’analisi successiva. In questo lavoro di ricerca, svolto in collaborazione con l’università INP – ENSIACET di Tolosa, combiniamo competenze e strumenti di ingegneria chimica con quelli di intelligenza artificiale, per portare avanti la ricerca di modelli surrogati di una comune operazione unitaria, ovvero la colonna di distillazione. A tal proposito, è stata sviluppata una metodologia che si avvale del recente software ALAMO (Automatic Learning of Algebraic MOdels), al fine di trovare modelli dei principali output della colonna, che siano quanto piu semplici possibile e utilizzabili come base per un’indagine preliminare. La strategia di campionamento iniziale e le sue criticità sono state oggetto di attento studio, in quanto è stato riscontrato abbiano una forte influenza sulla bontà dei risultati finali. Quindi, diversi casi studio verranno presentati per mostrare non solo il campo di applicabilità e i potenziali sviluppi futuri di questo lavoro, ma anche i suoi limiti.