CN113537440A - 一种基于灰狼算法cstr周期操作参数的优化方法 - Google Patents

一种基于灰狼算法cstr周期操作参数的优化方法 Download PDF

Info

Publication number
CN113537440A
CN113537440A CN202110755099.6A CN202110755099A CN113537440A CN 113537440 A CN113537440 A CN 113537440A CN 202110755099 A CN202110755099 A CN 202110755099A CN 113537440 A CN113537440 A CN 113537440A
Authority
CN
China
Prior art keywords
cstr
algorithm
wolf
parameters
optimization
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202110755099.6A
Other languages
English (en)
Inventor
史洪岩
隋杰
郑思童
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang University of Chemical Technology
Original Assignee
Shenyang University of Chemical Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang University of Chemical Technology filed Critical Shenyang University of Chemical Technology
Priority to CN202110755099.6A priority Critical patent/CN113537440A/zh
Publication of CN113537440A publication Critical patent/CN113537440A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于灰狼算法CSTR周期操作参数的优化方法，涉及一种CSTR操作参数的优化方法，该方法依据CSTR***的机理模型，采用周期操作技术对CSTR进行操控，接着引用灰狼算法对其变量周期操作的参数幅值A和谐波频率
Figure 100004_DEST_PATH_IMAGE002
优化寻找到使CSTR输出的剩余产物最小的参数。该方法简便实用，收敛性好，需要设置的参数少，运行快速，优化的参数可靠可行，为实际工业生产过程的周期操作参数整定提供了较好的参考，具有良好的工程应用前景。

Description

一种基于灰狼算法CSTR周期操作参数的优化方法
技术领域
本发明涉及一种CSTR操作参数的优化方法，特别是涉及一种基于灰狼算法CSTR周期操作参数的优化方法。
背景技术
CSTR反应釜是聚合化学反应中广泛使用的一种反应器，在化学生产的核心设备中占有相当重要的地位，在染料，医药试剂，食品及合成材料工业中，得到了广泛的应用。传统的化学反应在CSTR中运行一般采用稳态的操作，其目的是便于控制，随着技术的进步周期操作已经证实能够在稳态输出的基础上提高反应物的转化率。
目前的研究主要集中在周期操作反应转化率的分析和评估上，对于周期操作下***参数的优化问题研究较少，要想在周期操作下的反应率达到最优的效果必须引入优化方法对周期操作的参数进行优化寻优，利用启发式搜索方法分析是解决这类问题最有效、最快、最可靠的方法。自然启发算法具有良好的并行性和自主探索性，极大减少了解决复杂问题带来的时间成本与计算成本，给解决复杂问题提供了一种全新的思路和手段。灰狼算法是一种元启发式人工智能算法，具有差分进化和引力搜索能力，其结构简单、参数少、容易运算的特点。
发明内容
本发明的目的在于提供一种基于灰狼算法CSTR周期操作参数的优化方法，本发明首次提出了使用灰狼算法优化CSTR周期操作参数,能够在设置少量参数的情况下快速的找出一组使产物反应率明显提高的参数，对化学工业的转化率的提升有着重要的意义，为实际工业生产中周期操作的参数优化提供参考依据。
本发明的目的是通过以下技术方案实现的：
一种基于灰狼算法CSTR周期操作参数的优化方法，所述方法包括以下步骤：
步骤a，建立CSTR反应动力学的机理模型；
步骤b，引入灰狼算法（GWO）对周期操作下的CSTR中周期操作的参数幅值A，谐波频率
Figure 392799DEST_PATH_IMAGE001
进行寻优；
其中，步骤a具体包括
考虑发生在非等温CSTR中的一个均匀的
Figure 192128DEST_PATH_IMAGE002
阶反应A®product；
分析冷却流温度和原料流量的周期性操作对非等温CSTR性能的影响；
反应物A的反应速率：
Figure 715513DEST_PATH_IMAGE003
（1）
其中，
Figure 207674DEST_PATH_IMAGE004
是反应物浓度、
Figure 183721DEST_PATH_IMAGE005
温度、
Figure 786740DEST_PATH_IMAGE006
是Arrhenius方程中的指数因子、
Figure 430211DEST_PATH_IMAGE007
代表活化能和
Figure 765378DEST_PATH_IMAGE008
是普适气体常数；
反应物A的物质平衡方程是：
Figure 58081DEST_PATH_IMAGE009
（2）
反应物A的能量平衡方程为：
Figure 136895DEST_PATH_IMAGE010
（3）
其中，
Figure 697190DEST_PATH_IMAGE011
是时间，
Figure 203257DEST_PATH_IMAGE012
是反应流的体积流量，
Figure 481792DEST_PATH_IMAGE013
是反应器的体积，
Figure 364297DEST_PATH_IMAGE014
反应热，
Figure 779098DEST_PATH_IMAGE015
是整体传热系数，
Figure 721646DEST_PATH_IMAGE016
是换热的比表面积，
Figure 159581DEST_PATH_IMAGE017
密度，
Figure 143980DEST_PATH_IMAGE018
比热容；
步骤b中具体采用如下方式：
（1）初始化算法参数，设置种群规模，迭代次数和限制条件的范围，在参数空间产生一组灰狼搜索种群；
（2）计算初始狼群中每个搜索个体的目标函数值，排序并生成灰狼群的种族社会等级；
（3）更新非线性收敛因子a，系数A,C和灰狼个***置；
（4）在MATLAB仿真环境下运行CSTR的机理模型，对CSTR的输入进行周期操控，并向算法输出对应的适应度值；
（5）根据***输出的适应度值，更新当前狼群的位置，输出新的优化结果；
（6）重复步骤S23与S24，直到算法达到最大的迭代次数；
（7）完成优化。输出优化好的参数幅值A，谐波频率
Figure 616549DEST_PATH_IMAGE019
；
灰狼优化算法的目标函数具体的表现形式并设置其参数的限制范围：
Figure 526737DEST_PATH_IMAGE020
Figure 514284DEST_PATH_IMAGE021
（4）。
本发明的优点与效果是：
本发明使用灰狼算法对周期操作下CSTR的参数进行优化，实现参数的智能寻优，辨识找出使反应物剩余量最小的一组参数。仿真结果表明，优化辨识出的参数能够使其反应物的反应率明显提高。
本发明方法依据CSTR***的机理模型，采用周期操作技术对CSTR进行操控，接着引用灰狼算法对其变量周期操作的参数幅值A和谐波频率
Figure 738592DEST_PATH_IMAGE022
优化寻找到使CSTR输出的剩余产物最小的参数。该方法简便实用，收敛性好，需要设置的参数少，运行快速，优化的参数可靠可行，为实际工业生产过程的周期操作参数整定提供了较好的参考，具有良好的工程应用前景。
本发明首次提出了使用灰狼算法优化CSTR周期操作参数,能够在设置少量参数的情况下快速的找出一组使产物反应率明显提高的参数，对化学工业的转化率的提升有着重要的意义，为实际工业生产中周期操作的参数优化提供参考依据。
附图说明
图1是基于灰狼算法的CSTR周期操作参数优化方法流程图；
图2为本发明灰狼优化算法优化参数流程；
图3是灰狼优化算法原理描述图；
图4是冷却液温度作为单周期操作的输入量时，优化其参数的最终原料剩余量与未优化时的对照图；
图5是反应物流速作为单周期操作的输入量时，优化其参数的最终原料剩余量与未优化时的对照图。
具体实施方式
下面结合附图所示实施例和实验例对本发明做进一步具体说明。
本发明一种基于灰狼算法的CSTR周期操作参数优化方法，包括如下步骤：
（1）建立CSTR的机理模型，使用周期操作对CSTR的输入量进行操控。
（2）引入灰狼优化算法GWO，建立以使产物的剩余量最小为目标，对周期操作的幅值A，谐波频率
Figure 127985DEST_PATH_IMAGE022
进行寻优。
该方法对周期操作的幅值A，谐波频率
Figure 412336DEST_PATH_IMAGE023
进行寻优具体采用如下方式：
1:初始化算法的参数，设置种群规模，迭代次数，变量个数以及限制空间的大小；
2:计算初始狼群中每个搜索个体的目标函数值并且确定其最优值，次优值以及次次优的值，生成灰狼种群的社会等级；
3更新非线性收敛因子a，系数A,C和灰狼个***置；
4:在MATLAB仿真环境下运行CSTR的机理模型，对CSTR的输入进行周期操控，并向算法输出对应的适应度值；
5:根据***输出的适应度值，更新当前狼群的位置，输出新的优化结果；
6:重复步骤S23与S24，直到算法达到最大的迭代次数；
7:完成优化。输出优化好的参数幅值A，谐波频率
Figure 388645DEST_PATH_IMAGE023
。
该方法建立灰狼优化算法的目标函数具体的表现形式并设置其参数的限制范围：
Figure 151064DEST_PATH_IMAGE024
。
实施例：
如图1所示，为一种基于灰狼算法的CSTR周期操作参数优化方法的流程图，要实现对CSTR周期操作的参数优化辨识，首先建立CSTR的机理模型；接下来进行算法的参数设置，对算法种群进行初始化，进行运算根据适应度的大小选择狼群个体的顺序，适应度越小，参数越接近实际值，检查迭代次数是否达到最大以此判断优化是否结束。如果已达到最大迭代数，输出此时的最优狼
Figure 332647DEST_PATH_IMAGE025
的位置，实现周期操作参数的优化辨识，如果未达到最大迭代数，那么需要重新回到种群初始化的步骤，继续计算，直到满足条件。
图2为灰狼算法的优化流程图，灰狼优化算法（Grey Wolf Optimizer，GWO）由Mirjalili等人在2014年首次提出，算法中的狼群模拟了自然中的狼群的等级制度，从不同的影响力和领导能力的角度分为四个等级，分别为
Figure 850216DEST_PATH_IMAGE026
狼，其中
Figure 750039DEST_PATH_IMAGE027
作为最佳适应度值的候选狼的，第二和第三适应度值的候选狼为
Figure 378466DEST_PATH_IMAGE028
和
Figure 414555DEST_PATH_IMAGE029
，算法中除了上述三种狼其余的狼总称为
Figure 103026DEST_PATH_IMAGE030
。
狼群在
Figure 48067DEST_PATH_IMAGE031
的带领下对猎物进行包围寻找，不断迭代更新
Figure 214606DEST_PATH_IMAGE031
的位置和对应的适应度可以用式(1)、(2)来表示：
Figure 370781DEST_PATH_IMAGE032
其中：D是灰狼个体与猎物之间的距离；t为当前迭代次数；
Figure DEST_PATH_IMAGE033
和
Figure 230152DEST_PATH_IMAGE034
为向量系数；
Figure DEST_PATH_IMAGE035
为目标方向向量；
Figure 901305DEST_PATH_IMAGE036
为其中某一搜索个体当前位置向量；
Figure DEST_PATH_IMAGE037
为下一步移动方向向量。
系数向量
Figure 638579DEST_PATH_IMAGE038
和
Figure 649261DEST_PATH_IMAGE040
分别用式(3)-(5)表示：
Figure DEST_PATH_IMAGE041
其中
Figure 679534DEST_PATH_IMAGE042
为最大迭代次数，参数
Figure DEST_PATH_IMAGE043
在优化过程中随着迭代次数t的增加由2到0线性递减，
Figure 837982DEST_PATH_IMAGE044
和
Figure DEST_PATH_IMAGE045
的模为[0，1]之间的随机数。
当狼群发现猎物时，头狼
Figure 346324DEST_PATH_IMAGE046
发出猎杀指令，带领狼群对猎物发起攻击，因为
Figure 477091DEST_PATH_IMAGE046
狼、
Figure DEST_PATH_IMAGE047
狼、
Figure 179730DEST_PATH_IMAGE048
狼位置最靠近猎物，所以根据这三头狼的位置可以判断猎物的位置也就是最佳狼的位置
Figure DEST_PATH_IMAGE049
。此时狩猎猎物的过程可以用公式(6)-(8)来描述：
Figure 825475DEST_PATH_IMAGE050
（6）
Figure DEST_PATH_IMAGE051
（7）
Figure 137508DEST_PATH_IMAGE052
（8）
上述算法描述如图3所示，可以观察到，狼群在2D搜索空间中不断更新位置，最终的位置将会涉及一个由搜索空间中
Figure DEST_PATH_IMAGE053
的位置定义的圆内的一个随机位置。换句话说，
Figure 185098DEST_PATH_IMAGE054
估计猎物的位置，而
Figure DEST_PATH_IMAGE055
狼则随机更新它们在猎物周围的位置。
实验例：
将反应物流速和冷却液温度作为周期操作的输入量为优化目标进行参数优化，所用仿真平台处理器为Intel Core i5-8400,主频2.8GHz,内存8G，操作***为Win10的PC，采用matlab2019（b）版进行算法编程与***仿真。
步骤1，搭建CSTR反应动力学的的机理模型。根据CSTR的能量与物料守恒定律在matlab中建立其机理模型。
步骤2，分别将反应物流速和冷却液温度作为周期操作的输入量输入到CSTR的机理模型中。
步骤3，编写灰狼优化算法的程序。预先定义好灰狼种群数，最大的迭代数，优化参数的数量和被优化参数幅值A和谐波频率
Figure 58639DEST_PATH_IMAGE056
的限制范围，按照上述算法原理在matlab平台编写优化函数语言。
步骤4，确定算法的目标函数，将灰狼算法应用于控制***。将稳态输出的的原料的剩余量与周期操作下的原料的剩余量差
Figure DEST_PATH_IMAGE057
作为灰狼算法的目标函数。
本发明一种基于灰狼算法的CSTR周期操作参数优化方法，使用灰狼算法对周期操作的参数进行优化，得到的优化剩余产物量如图4，冷却液温度作为操作的输入量时，优化其参数的最终原料剩余量与未优化时的对照图，与图5反应物流速作为操作的输入量时，优化其参数的最终原料剩余量与未优化时的对照图，其结果显示，该方法优化后的原料剩余明显少于优化前的剩余。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种基于灰狼算法CSTR周期操作参数的优化方法，其特征在于，所述方法包括以下步骤：
步骤a，建立CSTR反应动力学的机理模型；
步骤b，引入灰狼算法（GWO）对周期操作下的CSTR中周期操作的参数幅值A，谐波频率
Figure DEST_PATH_IMAGE002
进行寻优；
其中，步骤a具体包括
考虑发生在非等温CSTR中的一个均匀的
Figure DEST_PATH_IMAGE004
阶反应A®product；
分析冷却流温度和原料流量的周期性操作对非等温CSTR性能的影响；
反应物A的反应速率：
Figure DEST_PATH_IMAGE006
（1）
其中，
Figure DEST_PATH_IMAGE008
是反应物浓度、
Figure DEST_PATH_IMAGE010
温度、
Figure DEST_PATH_IMAGE012
是Arrhenius方程中的指数因子、
Figure DEST_PATH_IMAGE014
代表活化能和
Figure DEST_PATH_IMAGE016
是普适气体常数；
反应物A的物质平衡方程是：
Figure DEST_PATH_IMAGE018
（2）
反应物A的能量平衡方程为：
Figure DEST_PATH_IMAGE020
（3）
其中，
Figure DEST_PATH_IMAGE022
是时间，
Figure DEST_PATH_IMAGE024
是反应流的体积流量，
Figure DEST_PATH_IMAGE026
是反应器的体积，
Figure DEST_PATH_IMAGE028
反应热，
Figure DEST_PATH_IMAGE030
是整体传热系数，
Figure DEST_PATH_IMAGE032
是换热的比表面积，
Figure DEST_PATH_IMAGE034
密度，
Figure DEST_PATH_IMAGE036
比热容；
步骤b中具体采用如下方式：
（1）初始化算法参数，设置种群规模，迭代次数和限制条件的范围，在参数空间产生一组灰狼搜索种群；
（2）计算初始狼群中每个搜索个体的目标函数值，排序并生成灰狼群的种族社会等级；
（3）更新非线性收敛因子a，系数A,C和灰狼个***置；
（4）在MATLAB仿真环境下运行CSTR的机理模型，对CSTR的输入进行周期操控，并向算法输出对应的适应度值；
（5）根据***输出的适应度值，更新当前狼群的位置，输出新的优化结果；
（6）重复步骤S23与S24，直到算法达到最大的迭代次数；
（7）完成优化；
输出优化好的参数幅值A，谐波频率
Figure DEST_PATH_IMAGE038
；
灰狼优化算法的目标函数具体的表现形式并设置其参数的限制范围：
Figure DEST_PATH_IMAGE040
。
CN202110755099.6A 2021-07-05 2021-07-05 一种基于灰狼算法cstr周期操作参数的优化方法 Withdrawn CN113537440A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110755099.6A CN113537440A (zh) 2021-07-05 2021-07-05 一种基于灰狼算法cstr周期操作参数的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110755099.6A CN113537440A (zh) 2021-07-05 2021-07-05 一种基于灰狼算法cstr周期操作参数的优化方法

Publications (1)

Publication Number Publication Date
CN113537440A true CN113537440A (zh) 2021-10-22

Family

ID=78126660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110755099.6A Withdrawn CN113537440A (zh) 2021-07-05 2021-07-05 一种基于灰狼算法cstr周期操作参数的优化方法

Country Status (1)

Country Link
CN (1) CN113537440A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975747A (zh) * 2016-04-27 2016-09-28 渤海大学 一种基于无迹卡尔曼滤波算法的cstr模型参数辨识方法
CN107067121A (zh) * 2017-06-13 2017-08-18 广东工业大学 一种基于多目标的改进灰狼优化算法
CN108460548A (zh) * 2018-05-17 2018-08-28 西安建筑科技大学 一种基于改进灰狼算法的多金属露天矿生产作业计划编制方法
CN110020711A (zh) * 2019-03-25 2019-07-16 湖北工业大学 一种采用灰狼优化算法的大数据分析方法
CN110095988A (zh) * 2019-05-27 2019-08-06 杭州电子科技大学 一种连续搅拌反应釜状态估计器的参数优化方法
CN110794676A (zh) * 2019-11-04 2020-02-14 江苏理工学院 基于Hammerstein-Wiener模型的CSTR过程非线性控制方法
CN112861427A (zh) * 2021-01-15 2021-05-28 湖南科技大学 一种基于改进灰狼优化算法的永磁同步电机参数辨识方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975747A (zh) * 2016-04-27 2016-09-28 渤海大学 一种基于无迹卡尔曼滤波算法的cstr模型参数辨识方法
CN107067121A (zh) * 2017-06-13 2017-08-18 广东工业大学 一种基于多目标的改进灰狼优化算法
CN108460548A (zh) * 2018-05-17 2018-08-28 西安建筑科技大学 一种基于改进灰狼算法的多金属露天矿生产作业计划编制方法
CN110020711A (zh) * 2019-03-25 2019-07-16 湖北工业大学 一种采用灰狼优化算法的大数据分析方法
CN110095988A (zh) * 2019-05-27 2019-08-06 杭州电子科技大学 一种连续搅拌反应釜状态估计器的参数优化方法
CN110794676A (zh) * 2019-11-04 2020-02-14 江苏理工学院 基于Hammerstein-Wiener模型的CSTR过程非线性控制方法
CN112861427A (zh) * 2021-01-15 2021-05-28 湖南科技大学 一种基于改进灰狼优化算法的永磁同步电机参数辨识方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HONGYAN SHI等: "Optimal design of the inlet temperature based periodic operation of non-isothermal CSTR using nonlinear output frequency response functions", IFAC-PAPERSONLINE, vol. 51, no. 18, pages 620 - 625 *
PRADEEP GUPTA等: "Comparative Study of Some Optimization Techniques Applied to Jacketed CSTR Control", 2015 4TH INTERNATIONAL CONFERENCE ON RELIABILITY, INFOCOM TECHNOLOGIES AND OPTIMIZATION (ICRITO) (TRENDS AND FUTURE DIRECTIONS), pages 420 - 422 *
史洪岩等: "非等温CSTR周期操作的非线性输出频率响应评估", 化学工程, vol. 49, no. 6, pages 58 - 62 *

Similar Documents

Publication Publication Date Title
Hosen et al. Control of polystyrene batch reactors using neural network based model predictive control (NNMPC): An experimental investigation
Chen et al. Modelling and optimization of fed-batch fermentation processes using dynamic neural networks and genetic algorithms
Yuzgec et al. Dynamic neural-network-based model-predictive control of an industrial baker's yeast drying process
Ifrim et al. Multivariable feedback linearizing control of Chlamydomonas reinhardtii photoautotrophic growth process in a torus photobioreactor
JP2022537799A (ja) 生物工学的生産を最適化するための方法および手段
Cui et al. Factorial kernel dynamic policy programming for vinyl acetate monomer plant model control
CN110046408A (zh) 基于bp神经网络微分与区间分析的区间不确定性优化方法
Daoutidis et al. Dynamics and control of cell populations in continuous bioreactors
Galvanauskas et al. Model based design of a biochemical cultivation process
Tiwari et al. Fractional order PID (FOPID) controller based temperature control of bioreactor
Chai et al. Fermentation process control and optimization
CN113537440A (zh) 一种基于灰狼算法cstr周期操作参数的优化方法
Ji et al. Arrhenius. jl: A Differentiable Combustion SimulationPackage
Zhang et al. Smpl: Simulated industrial manufacturing and process control learning environments
CN106126784A (zh) 一种连续搅拌反应釜的优化模型
Julien et al. Bioreactor monitoring, modeling, and simulation
Li et al. Modeling and optimum operating conditions for FCCU using artificial neural network
CN115470685A (zh) 一种基于数字孪生体系的大米供应链优化模型构建方法
Doncescu et al. Biological systems analysis using inductive logic programming
Sangregorio-Soto et al. Application of simultaneous dynamic optimization in the productivity of microalgae continuous culture
Yang et al. Comprehensive optimization of batch process based on particle swarm optimization algorithm
Atasoy et al. Optimisation of operating conditions in fed-batch baker’s yeast fermentation
Ekpo et al. Performance analysis of three controllers for the polymerisation of styrene in a batch reactor
Rocha et al. Evolutionary algorithms for optimal control in fed-batch fermentation processes
Narayanan et al. Consistent value creation from bioprocess data with customized algorithms: Opportunities beyond multivariate analysis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20211022