Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Aller à Demande

1. WO2020227383 - COMBINAISON D'APPRENTISSAGE MACHINE AVEC UNE CONNAISSANCE DE DOMAINE ET DE PREMIERS PRINCIPES POUR UNE MODÉLISATION DANS LES INDUSTRIES DE PROCESSUS

Numéro de publication WO/2020/227383
Date de publication 12.11.2020
N° de la demande internationale PCT/US2020/031636
Date du dépôt international 06.05.2020
CIB
G05B 13/02 2006.01
GPHYSIQUE
05COMMANDE; RÉGULATION
BSYSTÈMES DE COMMANDE OU DE RÉGULATION EN GÉNÉRAL; ÉLÉMENTS FONCTIONNELS DE TELS SYSTÈMES; DISPOSITIFS DE CONTRÔLE OU DE TEST DE TELS SYSTÈMES OU ÉLÉMENTS
13Systèmes de commande adaptatifs, c. à d. systèmes se réglant eux-mêmes automatiquement pour obtenir un rendement optimal suivant un critère prédéterminé
02électriques
G05B 17/02 2006.01
GPHYSIQUE
05COMMANDE; RÉGULATION
BSYSTÈMES DE COMMANDE OU DE RÉGULATION EN GÉNÉRAL; ÉLÉMENTS FONCTIONNELS DE TELS SYSTÈMES; DISPOSITIFS DE CONTRÔLE OU DE TEST DE TELS SYSTÈMES OU ÉLÉMENTS
17Systèmes impliquant l'usage de modèles ou de simulateurs desdits systèmes
02électriques
CPC
G05B 13/027
GPHYSICS
05CONTROLLING; REGULATING
BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
13Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
02electric
0265the criterion being a learning criterion
027using neural networks only
G05B 17/02
GPHYSICS
05CONTROLLING; REGULATING
BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
17Systems involving the use of models or simulators of said systems
02electric
Déposants
  • ASPEN TECHNOLOGY, INC. [US]/[US]
Inventeurs
  • CHAN, Willie, K.C.
  • FISCHER, Benjamin
  • CHEN, Hernshann
  • BHAKTA, Ashok, Raamanath
  • MOBED, Parham
Mandataires
  • WAKIMURA, Mary, Lou
  • ROOK, David, E.
  • SMITH, James, M.
  • GLOVSKY, Susan, G.l.
  • CARROLL, Alice, O.
Données relatives à la priorité
62/845,68609.05.2019US
Langue de publication anglais (EN)
Langue de dépôt anglais (EN)
États désignés
Titre
(EN) COMBINING MACHINE LEARNING WITH DOMAIN KNOWLEDGE AND FIRST PRINCIPLES FOR MODELING IN THE PROCESS INDUSTRIES
(FR) COMBINAISON D'APPRENTISSAGE MACHINE AVEC UNE CONNAISSANCE DE DOMAINE ET DE PREMIERS PRINCIPES POUR UNE MODÉLISATION DANS LES INDUSTRIES DE PROCESSUS
Abrégé
(EN)
Computer-based process modeling and simulation methods and systems combine first principles models and machine learning models to benefit where either model is lacking. In one example, input values (measurements) are adjusted by first principles techniques. A machine learning model of the chemical process of interest is trained on the adjusted values. In another example, a machine learning model represents the residual (delta) between a first principles model prediction and empirical data. Residual machine learning models correct physical phenomena predictions in a first principles model of the chemical process. In another example, a first principles simulation model uses the process input data and predictions of the machine learning model to generate simulated results of the chemical process. The hybrid models enable a process engineer to troubleshoot the chemical process, enable debottlenecking the chemical process, enable optimizing performance of the chemical process at the subject industrial plant, and enable automated process control.
(FR)
La présente invention concerne des procédés et des systèmes de modélisation et de simulation de processus basés sur ordinateur qui combinent des premiers modèles de principes et des modèles d'apprentissage machine pour bénéficier de l'absence de modèle. Dans un exemple, des valeurs d'entrée (mesures) sont ajustées par des premières techniques de principes. Un modèle d'apprentissage machine du processus chimique étudié est formé sur les valeurs ajustées. Dans un autre exemple, un modèle d'apprentissage machine représente le résidu (delta) entre une première prédiction de modèle de principes et des données empiriques. Des modèles d'apprentissage machine résiduels corrigent des prédictions de phénomènes physiques dans un premier modèle de principes du processus chimique. Dans un autre exemple, un modèle de simulation de premier principe utilise les données d'entrée de processus et les prédictions du modèle d'apprentissage machine pour générer des résultats simulés du processus chimique. Les modèles hybrides permettent à un ingénieur de traitement de diagnostiquer le problème du processus chimique, permettent un décongestionnement du processus chimique, permettent d'optimiser les performances du processus chimique au niveau de l'installation industrielle en question et permettent une commande de processus automatisée.
Dernières données bibliographiques dont dispose le Bureau international