Hybrid models in biofuel production
- Reference number
- FID20-0002
- Project leader
- Eklund, David
- Start and end dates
- 220601-260601
- Amount granted
- 2 500 000 SEK
- Administrative organization
- RISE Research Institutes of Sweden AB, Borås
- Research area
- Computational Sciences and Applied Mathematics
Summary
The main goal of this proposal is to develop hybrid models for complex processes where only partial first principle knowledge is available, such as biofuel production. Examples include unknown reaction kinetics, complex relationships between process parameters and hydrogen mass transfer rate, catalyst suspension and catalyst deactivation. The first objective is to formulate hybrid models for biofuel production and to develop guidelines for the type of data necessary to the train these models. The second objective is to apply the models on a real use case and evaluate their performance. Given the structure of hybrid models they are expected to extrapolate beyond the given data domain and require less training data than classical machine learning models and thereby allowing more time-effective and less costly process development. The expected results of this project are state-of-the-art models for complex processes such as biofuel production as well as practical guidelines for data collection pertaining to hybrid models. Workplan: Year 1: Development of hybrid models trained on synthetic data. Explore suitable model architectures and novel techniques to impose physicochemical constraints. Year 2: Survey and preparation of available data. Establish guidelines for data collection in connection with hybrid modeling. Year 3: Development and evaluation of hybrid models on real process data. Year 4: Finalization, refinement and validation of developed models.
Popular science description
Syftet med projektet är att utveckla en viss typ av matematiska modeller som kan göra produktion av biobränslen mer effektiv. Inom kemiteknik vill man ofta formulera modeller för olika kemiska reaktioner. Modeller kan användas för att simulera reaktionerna och hjälpa till med försöksplanering och bättre användning av tillgängliga resurser. Komplexa processer som exempelvis produktion av biobränslen innefattar dock ofta många okända fenomen. Till exempel kan det vara så att man inte vet vilka reaktioner som äger rum i processen. I sådana situationer kan det vara fördelaktigt att göra mätningar på processen och försöka basera modellen på experimentellt data istället för att använda fysikaliska modeller. Detta är ett exempel på hur nyligen gjorda framsteg inom Artificiell Intelligens (AI) och maskininlärning kan tillämpas på kemiska reaktioner. Sådana modeller kräver emellertid stora mängder data vilket är tidskrävande och kostsamt att producera i många fall. Dessutom kan AI-modeller inte generalisera så bra till nytt data som skiljer sig avsevärt från det data som har använts för att lära upp modellen. Under sådana betingelser är det intressant att tillämpa så-kallade hybridmodeller som är baserade både på fysikalisk kunskap om processen och experimentellt data. I detta projekt använder vi hybridmodeller för att beskriva komplexa processer såsom produktion av biobränslen.