Hybridmodeller för biobränslen
- Diarienummer
- FID20-0002
- Projektledare
- Eklund, David
- Start- och slutdatum
- 220601-260601
- Beviljat belopp
- 2 500 000 kr
- Förvaltande organisation
- RISE Research Institutes of Sweden AB, Borås
- Forskningsområde
- Beräkningvetenskap och tillämpad matematik
Summary
Huvudmålet med detta förslag är att utveckla hybridmodeller för komplexa processer som är svåra att modellera fysikaliskt. Ett relevant exempel är produktion av biobränslen. Okända faktorer kan vara okänd reaktionskinetik samt komplexa förhållanden mellan processparametrar och vätets massöverföringshastighet. Det första målet är att formulera hybridmodeller för biobränsleproduktion och att utveckla riktlinjer för vilken typ av data som krävs för att träna modellerna. Det andra målet är att tillämpa dessa modeller i ett verkligt fall och utvärdera deras prestanda. Strukturen hos hybridmodellerna förväntas medföra att mindre träningsdata behövs än för klassiska maskinlärningsmodeller och dessutom förväntas hybridmodellerna extrapolera väl bortom träningsdata. Därigenom möjliggörs mer tidseffektiv och billigare processutveckling. De väntade resultaten av detta projekt är högpresterande modeller för komplexa processer som biobränsleproduktion samt praktiska riktlinjer för datainsamling avseende hybridmodeller. Arbetsplan: År 1: Utveckling av hybridmodeller tränade på syntetiska data. Utforska lämpliga modellarkitekturer och nya tekniker för att införa fysikaliska och kemiska begränsningar. År 2: Kartläggning och behandling av tillgängliga data. Upprätta riktlinjer för datainsamling i samband med hybridmodellering. År 3: Utveckling och utvärdering av hybridmodeller på verkliga processdata. År 4: Färdigställande, förfining och validering av utvecklade modeller.
Populärvetenskaplig beskrivning
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.