Systematic methodology to develop surrogate models for chemical processes using artificial neural networks

Un dels principals problemes a l’hora de fer simulacions de processos químics és la gran càrrega computacional i l’elevat temps d’execució que es requereix degut a la complexitat d’aquests sistemes. Això és especialment problemàtic en el paradigma actual, on la connexió d’aquestes simulacions podria contribuir a la identificació d’oportunitats per a la simbiosis industrial i accelerar així la transició cap a una economia circular. En aquest context són especialment prometedors uns nous models, anomenats models de substitució, que puguin simplificar la mateixa tasca de simulació, reduint-ne el temps i la càrrega computacional. En el present treball, es desenvoluparà una metodologia sistemàtica per aplicar mètodes de substitució mitjançant algoritmes d’aprenentatge autònom, en concret, els coneguts com a xarxes neuronals artificials. Primerament, la falta de dades bibliogràfiques suficients per entrenar els models de substitució, ens portarà a simular el procés de piròlisi de polietilè amb Aspen HYSYS. Posteriorment, s’estudiaran dues alternatives per desenvolupar mètodes de substitució d’aquesta simulació. En la primera, es tractarà el procés com un sol conjunt, pel que es desenvoluparà un sol model de substitució que representi tot el procés. En la segona, el procés es tractarà per mòduls (de forma seqüencial), pel que es desenvoluparan tants models de substitució com mòduls es duguin a terme en el procés. En aquesta segona alternativa, els models de substitució es connectaran de manera seqüencial, pel que algunes de les variables de sortida predites per un model, s’utilitzaran com a variables d’entrada pel model del següent mòdul. Finalment, es compararà totes dues alternatives, d’acord segons el temps i la precisió que aconsegueixin.Uno de los principales problemas a la hora de realizar simulaciones de procesos químicos es la gran carga computacional y el elevado tiempo de ejecución que se requiere debido a la complejidad de estos sistemas. Esto es especialmente problemático en el paradigma actual, en el que la conexión de estas simulaciones podría contribuir a la identificación de oportunidades para la simbiosis industrial y acelerar así la transición hacia una economía circular. En este contexto son especialmente prometedores unos nuevos modelos, llamados modelos de sustitución, que puedan simplificar la misma tarea de simulación, reduciendo su tiempo y carga computacional. En el presente trabajo, se desarrollará una metodología para aplicar métodos de sustitución mediante algoritmos de aprendizaje autónomo, en concreto, los conocidos como redes neuronales artificiales. En primer lugar, la falta de datos bibliográficos suficientes para entrenar los modelos de sustitución nos llevará a simular el proceso de pirólisis de polietileno con Aspen HYSYS. Posteriormente, se estudiarán dos alternativas para desarrollar métodos de sustitución de esta simulación. En la primera, se tratará el proceso como un solo conjunto, por lo que se desarrollará un solo modelo de sustitución que represente todo el proceso. En la segunda, el proceso se tratará por módulos (de forma secuencial), por lo que se desarrollarán tantos modelos de sustitución como módulos se lleven a cabo en el proceso. En esta segunda alternativa, los modelos de sustitución se conectarán de forma secuencial, por lo que algunas de las variables de salida predichas por un modelo, se utilizarán como variables de entrada para el modelo del siguiente módulo. Por último, se comparará ambas alternativas, según el tiempo y la precisión que consigan.One of the main problems when performing chemical process simulations is the large computational load and the high execution time required due to the complexity of these systems. This is especially problematic in the current paradigm, where the connection of these simulations could contribute to the identification of opportunities for industrial symbiosis and thus accelerate the transition towards a circular economy. Particularly promising in this context are new models, called surrogate models, which can simplify the simulation task itself, reducing its time and computational burden. In this paper, a methodology will be developed to apply surrogate models using machine learning algorithms, namely those known as artificial neural networks. First, the lack of sufficient literature data to train the surrogate models will lead us to simulate the polyethylene pyrolysis process with Aspen HYSYS. Subsequently, two alternatives will be studied to develop surrogate methods for this simulation. In the first, the process will be treated as a holistic system, so a single surrogate model representing the entire process will be developed. In the second alternative, the process will be treated in modules (sequentially), so as many surrogate models will be developed as modules are carried out in the process. In this second alternative, the surrogate models will be connected sequentially, so that some of the output variables predicted by one model will be used as input variables for the model of the next module. Finally, both alternatives will be compared according to the time and accuracy they achieve