Új módszerek a szemi-mechanisztikus modellek identifikációjára

Szerzők

  • Madár János University of Veszprém, Department of Process Engineering, H-8201 Veszprém, P.O. Box 158, Hungary , Veszprémi Egyetem, Folyamatmérnöki Tanszék, 8201 Veszprém, Pf. 158.
  • Abonyi János University of Veszprém, Department of Process Engineering, H-8201 Veszprém, P.O. Box 158, Hungary , Veszprémi Egyetem, Folyamatmérnöki Tanszék, 8201 Veszprém, Pf. 158. https://orcid.org/0000-0001-8593-1493 (unauthenticated)
  • Szeifert Ferenc University of Veszprém, Department of Process Engineering, H-8201 Veszprém, P.O. Box 158, Hungary , Veszprémi Egyetem, Folyamatmérnöki Tanszék, 8201 Veszprém, Pf. 158.

Kulcsszavak:

hibrid modellek, neurális hálózatok, kenyérélesztő fermentációs eljárás

Absztrakt

A folyamatmérnöki gyakorlatban a tömeg-, energia- és impulzusmérlegen alapuló fehérdoboz modellek terjedtek el. Ha azonban a folyamat teljes egészében nem ismert, akkor az ismeretlen részeket fekete-doboz modellekkel kell leírni. Erre különösen alkalmas a mesterséges neurális hálózat. Ennek a munkának a célja olyan módszerek bemutatása, amik alkalmasak az ilyen hibrid nemlineáris modellek identifikációjára. Ebben a cikkben két identifikációs módszert vizsgáltunk meg: a back-propagation algoritmust és a direkt optimalizációt. Megvizsgáltuk a legelterjedtebb nemlineáris optimalizáló technikák használhatóságát, mint a klasszikus Sequential Quadratic Programming, Evolutionary Strategy és a Particle Swarm Optimization. Ezeket a technikákat egy alkalmazási példán keresztül mutatjuk be, amiben a kenyérélesztő fermentációs eljárást modelleztük.

Információk a szerzőről

  • Abonyi János, University of Veszprém, Department of Process Engineering, H-8201 Veszprém, P.O. Box 158, Hungary, Veszprémi Egyetem, Folyamatmérnöki Tanszék, 8201 Veszprém, Pf. 158.

    levelezőszerző
    abonyij@fmt.vein.hu

Hivatkozások

Abonyi, J., Babuska, R., Verbruggen, H. B., Szeifert, F. (1999). Constraint parameter Estimation in fuzzy modeling. FUZZ-IEEE'99 Conference, Seoul, Korea, 951–956. https://doi.org/10.1109/FUZZY.1999.793080

Can, H. van, Braake, H. te, Hellinga, C., Luyben, K., Heijnen, J. (1996). Strategy for dynamic process modeling based on neural networks and macroscopic balances. AIChE Journal, 42(12), 3403–3418. https://doi.org/10.1002/aic.690421211

Eberhart, R. C., Shi, Y. (1998). Comparison between genetic algorithms and particle swarm optimization., Proceedings of 7th annual conference on evolutionary computation, 611–616. https://doi.org/10.1007/BFb0040812

Hangos, K. M., Cameron, I. T. (2001). Process Modeling and Model Analysis. Academic Press.

Johansen, T. (1994). Operating regime based process modeling and identification. Ph.D thesis, Department of Engineering Cybernetics, Norwegian Institute of Technology, University of Trondheim, Norway.

Kennedy, J., Eberhart, R. C. (1995). Particle swarm optimization. Proceedings of IEEE International Conference on neural networks, Perth, Australia, 1942–1948. https://doi.org/10.1109/ICNN.1995.488968

Oliveria, R. (2004). Combining first principle modelling and artificial neural networks: a general framework., Comp. and Chem. Eng., 28(5), 755–766. https://doi.org/10.1016/j.compchemeng.2004.02.014

Psichogios, D. C., Ungar, L. H. (1992). A hybrid neural network - first principles approach to process modeling. AIChE Journal, 38(10), 1499–1511. https://doi.org/10.1002/aic.690381003

Rechenberg, I. (1973). Evolutionsstrategie: Optimierung technischer systeme nach prinzipien der biologischen evolution. Stuttgart: Frommann-Holzboog.

Schwefel, H.P, (1995). Numerical Optimization of Computer Models. publisher: Wiley, Chichester.

Simutis, R., Lubbert, A. (1997) Exploratory analysis of bioprocesses using artificial neural network-based methods. Biotechnology Progress, 13(4), 479–487. https://doi.org/10.1021/bp9700364

Sjöberg, J., Zhang, Q., Ljung, L., Benveniste, A., Delyon, B., Glorennec, P. Y., Hjalmarsson, H., Juditsky, A. (1995) Nonlinear black-box modeling in system identification: an unified overview. Automatica, 31(12), 1691–1724. https://doi.org/10.1016/0005-1098(95)00120-8

Spears, W. M., De Jong, K. A., Back, T., Fogel, D. B., Garis, H. (1993) An Overview of Evolutionary Computation. European Conference on Machine Learning. https://doi.org/10.1007/3-540-56602-3_163

Thompson, M. L., Kramer, M. A. (1994). Modeling chemical processes using prior knowledge and neural networks. AIChE Journal, 40(8), 1328–1340. https://doi.org/10.1002/aic.690400806

Tulleken, H. J. A. F. (1993). Gray-box modelling and identification using physical knowledge and {bayesian} techniques. Automatica, 29(2), 285–308. https://doi.org/10.1016/0005-1098(93)90124-C

Letöltések

Megjelent

2004-10-15

Folyóirat szám

Évf. 8 szám 3 (2004): Acta Agraria Kaposváriensis

Rovat

Cikkek

License

Copyright (c) 2004 Madár János, Abonyi János, Szeifert Ferenc

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Hogyan kell idézni

Madár, J., Abonyi, J., & Szeifert, F. (2004). Új módszerek a szemi-mechanisztikus modellek identifikációjára. Acta Agraria Kaposváriensis, 8(3), 205-218. https://journal.uni-mate.hu/index.php/aak/article/view/1727

Ugyanannak a szerző(k)nek a legtöbbet olvasott cikkei

<< < 1 2