수정된 고래 최적화 알고리즘 기반 ANN: RO 담수화 플랜트에 대한 새로운 예측 모델

Scientific Reports 13권, 기사 번호: 2901(2023) 이 기사 인용

879 액세스

2 인용

1 알트메트릭

측정항목 세부정보

최근 수십 년 동안 자연에서 영감을 받은 최적화 방법은 산업 플랜트 설계자가 공정 매개변수에 대한 우수한 솔루션을 찾는 데 중요한 역할을 해왔습니다. 문헌에 따르면 이러한 방법은 간단하고 빠르며 시간, 비용 및 에너지를 절약하는 데 필수적입니다. 이와 관련하여 인공 신경망(ANN)과 결합된 수정된 고래 최적화 알고리즘(MWOA)이 역삼투(RO) 담수화 플랜트 성능에 사용되어 투과 유량(0.118~2.656 L/h m2)을 추정했습니다. 플랜트의 데이터 세트는 문헌에서 수집되었으며 4가지 입력 매개변수인 공급 유량(400~600 L/h), 증발기 입구 온도(60~80 °C), 공급 염분 농도(35~140 g/L) 및 응축기 입구 온도(20\u201230 °C). 이를 위해 기존 모델(RSM(Response Surface Methodology), RSM(Response Surface Methodology), ANN 및 하이브리드 WOA-ANN 모델) 오류가 최소화됩니다. 시뮬레이션 결과는 MWOA 알고리즘이 과적합 제한 없이 우수한 ANN 기반 모델링을 가능하게 하기 위해 올바른 가중치와 편향을 찾는 더 강력한 최적화 기능을 보여줍니다. 발전소 성능을 조사하기 위해 10개의 MWOA-ANN 모델(Model-1 ~ Model-10)이 제안되었습니다. 단일 히든 레이어(H = 1), 11개의 히든 레이어 노드(n = 11) 및 13개의 검색 에이전트(SA = 13)가 있는 모델-6은 최소 오류(MSE =)로 가장 뛰어난 회귀 결과(R2 = 99.1%)를 생성했습니다. 0.005). Model-6의 잔여 오차도 한계(범위 - 0.1 ~ 0.2) 내에 있는 것으로 나타났습니다. 마지막으로, 조사 결과에 따르면 선별된 MWOA-ANN 모델은 산업 플랜트 설계자를 지원하기 위해 최상의 프로세스 매개변수를 식별하는 데 유망한 것으로 나타났습니다.

이 섹션은 세 부분으로 구분됩니다. 첫 번째 부분은 ANN 및 WOA의 배경을 설명하고, 두 번째 부분은 문헌 검토를 자세히 설명합니다. 세 번째 부분에서는 주요 목표, 기여, 연구 개요를 설명합니다.

보다 빠르고, 쉽고, 저렴하게 작업을 수행하려는 인간의 야망은 전 세계적으로 효율적인 운영의 증가로 이어졌습니다1,2. 마찬가지로 프로세스 플랜트 산업도 데이터 분석과 실험 결과를 바탕으로 의사결정을 내리는 문화로 변화하고 있습니다3,4. 이와 관련하여 공장의 실험 데이터 세트는 새로운 통찰력을 수집하기 위해 수집 및 평가되었으며, 이는 공장 설계자가 처리 시간, 운영 비용 및 에너지를 절약하기 위한 의사 결정을 내리는 데 도움이 됩니다1,5,6.

최근 수십 년 동안 공정 플랜트 산업은 훨씬 더 역동적으로 발전했으며 고급 분석, 최적화 알고리즘 및 기계 학습 도구로 전환하여 성능을 개선하기 위한 예측 및 처방 솔루션을 제공했습니다3,5,6,7,8,9,10,11 . 이러한 알고리즘과 도구는 소규모 및 대규모 플랜트의 데이터 세트를 분석하는 데 간단하고 적응 가능하며 효율적입니다. 최근에 일반적으로 사용되는 지능형 알고리즘 및 도구로는 인공 신경망(ANN)12,13,14,15, 인공 꿀벌 군집(ABC)16,17, 고양이 떼 최적화(CSO)18,19, 입자 떼 최적화(PSO)가 있습니다. )20,21,22, 반딧불 알고리즘(FA)23, 박쥐 알고리즘(BA)23,24, 고래 최적화 알고리즘(WOA)17,25,26,27, 회색 늑대 최적화 프로그램(GWO)17,25,28,29 ,30 BOA(Butterfly Optimization Algorithm)31, ALO(Ant Lion Optimizer)17, SVM(Support Vector Machine)18,32,33, RSM(Response Surface Methodology)34,35, NSGA(Non-Dominating Sorting Genetic Algorithm)36 그리고 그들의 하이브리드.

일반적으로 ANN은 역전파(BP) 훈련 알고리즘을 따르며 오류를 줄이기 위해 최적의 노드 연결 가중치 및 편향 세트를 찾습니다. 높은 모델 성능을 보장하려면 가중치와 편향을 정확하게 예측하는 것이 매우 중요합니다. BP 접근 방식은 경사 하강 알고리즘을 사용하며 많은 수의 반복이 필요합니다. 문헌에 따르면 경사하강법을 사용할 때 가장 큰 과제 중 하나는 로컬 최적점에 갇히는 것이라고 합니다. 이는 모델의 최종 정확도에 영향을 미치는 고려된 초기 가중치 값과 전적으로 연결됩니다. 따라서 연구자들은 이러한 문제를 최소화하기 위해 GA, PSO, GWO 및 WOA와 같은 대체 솔루션을 찾았습니다1,6.