Numerical algorithm for finding a solution to the problem of optimal speed in modeling chemical processes
The problem of finding the optimal control speed for a chemical process, the dynamics of which is described by a system of nonlinear differential equations, is considered. The temperature of the reaction mixture acts as a control action. To solve the problem, it is proposed to apply the differential evolution method. The proposed method for solving the problem of optimal control speed is formulated as a numerical algorithm that allows obtaining a solution to the optimization problem without the need to select an initial approximation. The algorithm has been tested on an industrially significant process of phthalic anhydride synthesis. Contribution of the authors: the authors contributed equally to this article. The authors declare no conflicts of interests.
Keywords
optimal speed problem,
chemical process,
differential evolution methodAuthors
| Antipina Evgenia V. | Ufa University of Science and Technology | stepashinaev@ya.ru |
| Mustafina Svetlana A. | Ufa University of Science and Technology | mustafina_sa@mail.ru |
| Antipin Andrey F. | Sterlitamak branch of the Ufa University of Science and Technology | andrejantipin@ya.ru |
Всего: 3
References
Яблонский Г.С., Быков В.И., Горбань А.Н. Кинетические модели каталитических реакций. Новосибирск: Наука. 1983. 253 с.
Волков А.А., Булучевский Е.А., Лавренов А.В. Кинетика олигомеризации этилена на катализаторе №0/В20з-АЬ0з в жидкой фазе // Журнал Сибирского федерального университета. Сер. Химия. 2013. Т. 6, № 4. С. 352-360.
Карамзин Д.Ю. Принцип максимума Понтрягина для задачи оптимального управления с фазовыми ограничениями при ослабленных предположениях управляемости // Вопросы теории безопасности и устойчивости систем. 2018. № 20. С. 46-61.
Антипина Е.В., Мустафина С.И., Антипин А.Ф., Мустафина С.А. Численный алгоритм решения задачи оптимального управления с терминальными ограничениями для динамических систем // Автометрия. 2020. Т. 56, № 6. С. 132-140.
Gulbaz R., Siddiqui A.B., Anjum N., Alotaibi A.A., Althobaiti T., Ramzan N. Balancer Genetic Algorithm-A Novel Task Scheduling Optimization Approach in Cloud Computing // Applied Sciences. 2021. V. 11, is. 14. Art. 6244.
Mohamed A.W., Mohamed A.K. Adaptive Guided Differential Evolution Algorithm with Novel Mutation for Numerical Optimi zation // International Journal of Machine Learning and Cybernetics. 2019. V. 10. P. 253-277.
Ковалевич А.А., Якимов А.И., Албкеират Д.М. Исследование стохастических алгоритмов оптимизации для применения в имитационном моделировании систем // Информационные технологии. 2011. № 8. С. 55-60.
Карпенко А.П. Эволюционные операторы популяционных алгоритмов глобальной оптимизации // Математика и матема тическое моделирование. 2018. № 1. С. 59-89.
Storn R., Price K. Differential Evolution - A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces // Journal of Global Optimization. 1997. V. 11. P. 341-359. :1008202821328.
Антипина Е.В., Мустафина С.А., Антипин А.Ф. Численный алгоритм идентификации кинетической модели химической реакции // Вестник Технологического университета. 2019. Т. 22, № 9. С. 13-17.
