Algorithme d'optimisation de baleine modifié basé sur ANN : un nouveau modèle prédictif pour l'usine de dessalement RO

Rapports scientifiques volume 13, Numéro d'article : 2901 (2023) Citer cet article

1121 Accès

5 citations

1 Altmétrique

Détails des métriques

Au cours des dernières décennies, les méthodes d'optimisation inspirées de la nature ont joué un rôle essentiel en aidant les concepteurs d'installations industrielles à trouver des solutions supérieures pour les paramètres de processus. Selon la littérature, ces méthodes sont simples, rapides et indispensables pour économiser du temps, de l’argent et de l’énergie. À cet égard, l'algorithme d'optimisation de baleine modifié (MWOA) hybridé avec des réseaux de neurones artificiels (ANN) a été utilisé dans les performances de l'usine de dessalement par osmose inverse (RO) pour estimer le flux de perméat (0,118‒2,656 L/h m2). Les ensembles de données de l'usine ont été collectés à partir de la littérature et comprennent quatre paramètres d'entrée : débit d'alimentation (400‒600 L/h), température d'entrée de l'évaporateur (60‒80 °C), concentration en sel d'alimentation (35‒140 g/L) et température d'entrée du condenseur (20‒30 °C). À cette fin, dix modèles prédictifs (MWOA-ANN Model-1 à Model-10) ont été proposés, capables de prédire le flux de perméat (L/h m2) avec plus de précision que les modèles existants (Response Surface Methodology (RSM), ANN et modèles hybrides WOA-ANN) avec un minimum d'erreurs. Les résultats de la simulation suggèrent que l'algorithme MWOA démontre une capacité d'optimisation plus forte pour trouver les poids et biais corrects afin de permettre une modélisation supérieure basée sur l'ANN sans limitation du surajustement. Dix modèles MWOA-ANN (modèle 1 à modèle 10) ont été proposés pour étudier les performances de la centrale. Le modèle 6 avec une seule couche cachée (H = 1), onze nœuds de couche cachée (n = 11) et les treize agents de recherche (SA = 13) a produit les résultats de régression les plus remarquables (R2 = 99,1 %) avec des erreurs minimes (MSE = 0,005). Les erreurs résiduelles pour le modèle 6 se situent également dans les limites (étendue de − 0,1 à 0,2). Enfin, les résultats montrent que les modèles MWOA-ANN examinés sont prometteurs pour identifier les meilleurs paramètres de processus afin d'aider les concepteurs d'installations industrielles.

Cette section a été divisée en trois parties : la première partie décrit le contexte de l'ANN et de la WOA, tandis que la deuxième partie détaille la revue de la littérature. La troisième partie explique les principaux objectifs, contributions et grandes lignes de la recherche.

L’ambition humaine d’accomplir des tâches plus rapidement, plus facilement et à moindre coût a conduit au développement croissant d’opérations efficaces dans le monde entier1,2. De la même manière, l’industrie des usines de transformation évolue vers une culture où les décisions sont prises sur la base de l’analyse des données et des résultats expérimentaux3,4. À cet égard, les ensembles de données expérimentales de l'usine ont été collectés et évalués pour recueillir de nouvelles informations, ce qui aide les concepteurs d'usines à prendre des décisions afin d'économiser du temps de traitement, des coûts d'exploitation et de l'énergie1,5,6.

Au cours des dernières décennies, les industries des usines de transformation sont devenues considérablement plus dynamiques et se sont tournées vers des analyses avancées, des algorithmes d'optimisation et des outils d'apprentissage automatique pour fournir des solutions prédictives et prescriptives visant à améliorer leurs performances3,5,6,7,8,9,10,11. . Ces algorithmes et outils sont simples, adaptables et efficaces pour analyser des ensembles de données d'usines à petite et à grande échelle. Certains algorithmes et outils intelligents couramment utilisés récemment incluent les réseaux de neurones artificiels (ANN)12,13,14,15, les colonies d'abeilles artificielles (ABC)16,17, l'optimisation des essaims de chats (CSO)18,19, l'optimisation des essaims de particules (PSO). )20,21,22, algorithme de luciole (FA)23, algorithme de chauve-souris (BA)23,24, algorithme d'optimisation de baleine (WOA)17,25,26,27, optimiseur de loup gris (GWO)17,25,28,29. ,30 Algorithme d'optimisation des papillons (BOA)31, optimiseur Ant Lion (ALO)17, machine à vecteurs de support (SVM)18,32,33, méthodologie de surface de réponse (RSM)34,35, algorithme génétique de tri non dominé (NSGA)36. et leur hybride.

ANN, en général, suit l'algorithme d'entraînement de rétropropagation (BP) tout en trouvant un ensemble optimal de poids et de biais de connexion de nœuds pour réduire l'erreur. Une prédiction précise des pondérations et des biais est très importante pour garantir des performances élevées du modèle. L'approche BP utilise un algorithme de descente de gradient et nécessite un grand nombre d'itérations37. La littérature suggère que l’un des plus grands défis liés à l’utilisation de la technique de descente de gradient est son piégeage dans les optima locaux. Ceci est entièrement lié aux valeurs initiales de poids considérées37, ce qui affecte la précision finale des modèles. Par conséquent, les chercheurs ont trouvé des solutions alternatives telles que GA, PSO, GWO et WOA pour minimiser ces problèmes1,6.