Поиск оптимального температурного профиля химического процесса на основе генетического алгоритма

   Введение. Рассмотрена проблема поиска оптимального температурного профиля сложного физико-химического процесса. Наибольшие проблемы возникают при исследовании и оптимизации многокомпонентных систем. Это определяет научный и практический интерес к разработке наиболее эффективных инструментов поиска оптимальных режимов организации производства. Одним из ключевых аспектов является учет динамических ограничений, влияющих на скорость изменения управляющих параметров и обеспечивающих построение физически реализуемых траекторий изменения температуры. Для решения этой задачи предложен модифицированный генетический алгоритм, позволяющий учитывать заданные ограничения.

   Метод. Для сложного физико-химического процесса сформулирована задача оптимизации, которая заключается в поиске оптимального температурного профиля, способствующего максимизации (или минимизации) заданного целевого параметра в условиях задаваемых ограничений на скорость изменения температуры. Метод основан на дискретном разбиении всего времени протекания процесса и представлении температурного профиля в виде кусочно-линейной функции, значения которой на каждом из интервалов определяются с использованием генетического алгоритма оптимизации. Основные этапы выполнения генетического алгоритма были модифицированы и представлены в виде адаптированной схемы эволюционного поиска, учитывающей допустимые границы изменения управляющих параметров. Внесенные модификации позволили повысить устойчивость алгоритма к локальным экстремумам и обеспечить более точное соблюдение задаваемых ограничений.

   Основные результаты. Эффективность алгоритма, функциональность программного модуля и механизм взаимодействия были апробированы путем организации вычислительного эксперимента по исследованию кинетики реакции диметилкарбоната со спиртами в присутствии дикобальтоктакарбонила. Результаты численного моделирования продемонстрировали, что температурный режим оказывает 0значительное влияние на кинетику процесса, а проведенные вычислительные испытания позволили однозначно идентифицировать оптимальный температурный профиль, поиск которого проводился в условиях ограничений на рост температуры и дополнительного требования линейного изменения концентрации целевого продукта.

   Обсуждение. Предложенная модификация генетического алгоритма позволила значительно повысить его устойчивость к локальным экстремумам и обеспечить более точное соблюдение технологических ограничений. В частности, анализ полученных профилей показал, что представленный метод позволяет находить решения, обеспечивающие более равномерное распределение концентраций целевого продукта, что особенно важно при проектировании реакционных систем с высокой чувствительностью к изменению параметров. Разработанный метод оптимизации может быть полезен при проектировании и масштабировании химико-технологических процессов, а проведенное исследование подтверждает эффективность использования численных методов и эволюционных алгоритмов для оптимизации условий химических реакций.

1. Marpaung T.J. Optimization of temperature on the concentration of a mixture of substances in liquid waste treatment process palm oil // Journal of Physics: Conference Series. 2019. V. 1235. N 1. P. 012123. doi: 10.1088/1742-6596/1235/1/012123

2. Шевчук В.П., Шаровина С.О. Управление температурным профилем ректификационной колонны тарельчатого типа // Приборы и системы. Управление, контроль, диагностика. 2013. № 3. С. 39–47.

3. Слинько М.Г. Кинетическая модель как основа математического моделирования каталитических процессов // Теоретические основы химической технологии. 1976. Т. 10. № 1. С. 137–146.

4. Быков В.И., Цыбенова С.Б. Нелинейные модели химической кинетики. М.: Ком-Книга, 2010. 350 с.

5. Васильев Ф.П. Численные методы решения экстремальных задач. М.: Наука, 1988. 552 с.

6. Пантелеев А.В., Скавинская Д.В., Алёшина Е.А. Метаэвристические алгоритмы поиска оптимального программного управления. М.: Инфра-М, 2020. 396 с.

7. Мифтахов Э.Н., Кашникова А.П., Иванов Д.В. Использование генетических алгоритмов для решения задачи поиска оптимального состава реакционной смеси // Научно-технический вестник информационных технологий, механики и оптики. 2024. Т. 24. № 4. С. 637–644. doi: 10.17586/2226-1494-2024-24-4-637-644

8. Katoch S., Chauhan S.S., Kumar V. A review on genetic algorithm: past, present, and future // Multimedia Tools and Applications. 2021. V. 80. N 5. P. 8091–8126. doi: 10.1007/s11042-020-10139-6

9. Мифтахов Э.Н., Иванов Д.В. Поиск оптимального состава реакционной смеси с использованием алгоритма имитации отжига // Автометрия. 2024. Т. 60. № 5. С. 120–128. doi: 10.15372/AUT20240514

10. Мифтахов Э.Н. Алгоритм поиска оптимального режима подачи регулятора в процессе получения полимерных продуктов // Инженерные технологии и системы. 2024. Т. 34. № 4. С. 597–614. doi: 10.15507/2658-4123.034.202404.597-614

11. Awad A., Hawash A., Abdalhaq B. A Genetic Algorithm (GA) and swarm-based Binary Decision Diagram (BDD) reordering optimizer reinforced with recent operators // IEEE Transactions on Evolutionary Computation. 2023. V. 27. N 3. P. 535–549. doi: 10.1109/tevc.2022.3170212

12. Yang D., Rao K., Xu B., Sheng W. PIR sensors deployment with the accessible priority in smart home using genetic algorithm // International Journal of Distributed Sensor Networks. 2015. V. 11. N 11. P. 146270. doi: 10.1155/2015/146270

13. Антипина Е.В., Мустафина С.А., Антипин А.Ф. Автоматизация поиска оптимальных значений параметров процесса олигомеризации этилена // Научно-технический вестник информационных технологий, механики и оптики. 2024. Т. 24. № 4. С. 563–570. doi: 10.17586/2226-1494-2024-24-4-563-570

14. Zhou T., Fang W. Two-point crossover operator in genetic algorithm for deep learning compiler // Proc. of the Companion Conference on Genetic and Evolutionary Computation. 2023. P. 347–350. doi: 10.1145/3583133.3590536

15. Bell O. Applications of Gaussian Mutation for self adaptation in evolutionary genetic algorithms // arXiv. 2022. doi: 10.48550/arXiv.2201.00285

16. Tinós R., Yang S. Evolution strategies with q-Gaussian mutation for dynamic optimization problems // Proc. of the 11^th Brazilian Symposium on Neural Networks. 2010. P. 223–228. doi: 10.1109/sbrn.2010.46

17. Koledina K.F., Koledin S.N., Schadneva N.A., Mayakova Y.Yu., Gubaydullin I.M. Kinetic model of the catalytic reaction of dimethylcarbonate with alcohols in the presence Co₂ (CO)₈ and W(CO)₆ // Reaction Kinetics, Mechanisms and Catalysis. 2017. V. 121. N 2. P. 425–438. doi: 10.1007/s11144-017-1181-3

18. Fiorani G., Perosa A., Selva M. Dimethyl carbonate: a versatile reagent for a sustainable valorization of renewables // Green Chemistry. 2018. V. 20. N 2. P. 288–322. doi: 10.1039/c7gc02118f

19. Коледина К.Ф., Коледин С.Н., Щаднева Н.А., Губайдуллин И.М. Кинетика и механизм каталитической реакции спиртов с диметилкарбонатом // Журнал физической химии. 2017. Т. 91. № 3. C. 422–428. doi: 10.7868/S004445371703013X

20. Коледина К.Ф. Многокритериальная оптимизация и оптимальное управление химическими процессами на основе детализированной кинетической модели : диссертация на соискание ученой степени доктора физико-математических наук. Уфа: Уфимский федеральный исследовательский центр Российской академии наук, 2020. 334 с.