User: Guest  Login
Original title:
Automated Flowsheet Synthesis via Reinforcement Learning and piece-wise linear thermodynamic Models
Translated title:
Automatisierte Fließbildsynthese via Reinforcement Learning und linearisierter thermodynamischer Modelle
Author:
Göttl, Quirin
Year:
2024
Document type:
Dissertation
Faculty/School:
TUM Campus Straubing für Biotechnologie und Nachhaltigkeit
Institution:
Chemische und Thermische Verfahrenstechnik (Prof. Burger)
Advisor:
Burger, Jakob (Prof. Dr.)
Referee:
Burger, Jakob (Prof. Dr.); Grimm, Dominik (Prof. Dr.); Schweidtmann, Artur (Prof. Dr.)
Language:
en
Subject group:
CIT Chemie-Ingenieurwesen, Technische Chemie, Biotechnologie
Keywords:
Reinforcement Learning, Process Simulation
Translated keywords:
Reinforcement Learning, Prozess Simulation
TUM classification:
CIT 960; CIT 680
Abstract:
The present work demonstrates how reinforcement learning can be used for automated flowsheet synthesis for conceptual design problems in chemical engineering. A flowsheet simulation based on thermodynamic short-cut models is implemented and serves as environment for the reinforcement learning agent. Several training algorithms, which enable training the agent on problems of increasing difficulty, are developed. The trained agent can set up processes from scratch without using heuristics.
Translated abstract:
In der vorliegenden Arbeit wird Reinforcement Learning für die automatisierte Fließbildsynthese in der chemischen Verfahrenstechnik eingesetzt. Eine Fließbildsimulation, basierend auf thermodynamischen Shortcut-Modellen, dient als Umgebung für den Reinforcement-Learning-Agenten. Es werden mehrere Trainingsalgorithmen entwickelt, um den Agenten auf Problemen mit steigendem Schwierigkeitsgrad zu trainieren. Der trainierte Agent generiert Prozesse ohne Verwendung von Heuristiken.
WWW:
https://mediatum.ub.tum.de/?id=1725064
Date of submission:
31.10.2023
Oral examination:
03.05.2024
File size:
30599634 bytes
Pages:
139
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240503-1725064-1-5
Last change:
04.06.2024
 BibTeX