Comparative analysis of trust region filter methods with different mathematical models in surrogate-based optimization

In large-scale chemical process industries, direct optimization is often computationally prohibitive due to the complexity of process models and the high cost of function evaluations. Surrogate-based optimization (SBO) provides a practical alternative by replacing computationally expensive function evaluations with efficient mathematical approximations. The Trust Region Filter (TRF) framework is an effective method for constrained nonlinear optimization, and when integrated with SBO, it efficiently manages the trade-off between improving process optimality and ensuring constraint satisfaction within surrogate-based approximations. This study presents a comparative analysis of TRF methods employing different surrogate models—quadratic, quadratic Ridge regression, cubic, and Kriging models—to assess their impact on optimization performance. The performance of different surrogate models was evaluated based on accuracy, computational cost, and constraint handling. To explore their effectiveness in surrogate-assisted process optimization, three TRF variants—reduced, modified, and demand-based TRF methods—were developed and applied to a methanol synthesis case study. The results provide insights into how surrogate model selection influences TRF-based optimization performance and supports the development of improved SBO strategies for large-scale industrial applications.

Nelle industrie chimiche su larga scala, l'ottimizzazione diretta è spesso proibitiva dal punto di vista computazionale a causa della complessità dei modelli di processo e dell'elevato costo delle valutazioni di funzione. Surrogate-based Optimization (SBO) offre un'alternativa pratica sostituendo le costose valutazioni di funzione con approssimazioni matematiche efficienti. Trust Region Filter (TRF) è un metodo efficace per l'ottimizzazione non lineare con vincoli e, quando integrato con SBO, gestisce in modo efficiente il compromesso tra il miglioramento dell'ottimalità del processo e la soddisfazione dei vincoli all'interno delle approssimazioni surrogate. Questo studio presenta un'analisi comparativa dei metodi TRF che impiegano diversi modelli surrogati—quadratico, Quadratic Ridge Regression, cubico e Kriging—per valutarne l'impatto sulle prestazioni di ottimizzazione. Le prestazioni dei diversi modelli surrogati sono state valutate in base all'accuratezza, al costo computazionale e alla gestione dei vincoli. Per esplorarne l'efficacia nell'ottimizzazione di processo assistita da surrogati, sono state sviluppate e applicate a un caso di studio sulla sintesi del metanolo tre varianti TRF—denominate reduced, modified, e demand-based TRF methods. I risultati forniscono indicazioni su come la selezione del modello surrogato influenzi le prestazioni dell'ottimizzazione basata su TRF e supportino lo sviluppo di strategie SBO migliorate per applicazioni industriali su larga scala.