過渡的な運転条件下における蒸留塔のトレイ別ダイナミックモデリングのための物理情報ニューラルネットワーク（PINN）デジタルツイン

Abstract

デジタルツイン技術を、Aspenのシミュレーション結果と組み合わせた物理情報に基づく機械学習と結び付けることで、産業プロセスの監視、制御、最適化に変革的な能力をもたらします。本研究では、提案モデルが、過渡条件で運転される二成分蒸留塔をトレイ（段）ごとに動的にモデル化するための、Physics-Informed Neural Network（PINN）デジタルツインの枠組みを提示します。提案モデルのアーキテクチャは、修正ラウールの法則で記述される気液平衡（VLE）、段レベルの物質収支とエネルギー収支、McCabe-Thieleのグラフィカル手法といった基本的な熱力学的制約を、物理残差項を通じてニューラルネットワークの損失関数に直接組み込みます。本モデルは、Aspen HYSYSで生成した二成分HX/TX蒸留システム（16本のセンサストリームから構成）に対する、8時間の過渡運転をカバーする、時刻付きの高忠実度合成データセット（961点）で学習・評価します。適応的な損失重み付けスキームにより、学習中にデータの忠実度と物理整合性の目的のバランスを取ります。5つのデータ駆動型ベースライン（LSTM、バニラMLP、GRU、Transformer、DeepONet）と比較して、提案PINNはHXモル分率予測においてRMSEが0.00143（R^2 = 0.9887）を達成し、最良のデータのみのベースラインに比べて44.6%の削減を示します。また、熱力学的制約を厳密に満たします。過渡擾乱下で予測したトレイごとの温度および組成プロファイルは、フィード段への応答、還流比の変動、圧力の過渡変化を含む塔のダイナミクスをデジタルツインが正確に捉えていることを示しています。これらの結果は、提案PINNデジタルツインが、産業蒸留プロセスにおけるリアルタイムなソフトセンシング、モデル予測制御、異常検知のための堅牢な基盤を確立することを示します。