Hybrid multi - objective differential evolution for multi - objective optimization of industrial polymeric materials

• Autorzy: Gujarathi A. M. , Babu B. V.

Warianty tytułu

PL

Wielokryterialny różnicowy algorytm ewolucyjny dla wielokryterialnej optymalizacji przemysłowych procesów dla materiałów polimerowych

• Języki publikacji: EN

Abstrakty

EN

MOO of industrial case studies involving process design decisions [namely, styrene reactor, polyethylene terephthalate (PET) reactor, and low density polyethylene (LDPE) tubular reactor] is carried out using the newly developed algorithms. The performance of newly developed algorithms is checked with respect to the effects of dominant decision variables on the Pareto front. The Pareto fronts obtained using the algorithms developed in this study are compared among themselves, with the industrial data, and the data reported in the literature. The newly developed strategies of MODE algorithm are able to converge to a better Pareto front as compared to the Pareto fronts obtained using MODE and NSGA for styrene reactor. For PET reactor, where NSGA algorithm gave a single point solution, the strategies of MODE algorithm resulted in a Pareto front (consisting of setoff solutions). For LDPE tubular reactor, the results obtained in this study show that MODE III algorithm is able to give a wide range of solutions on the Pareto front as compared to those obtained using other strategies of MODE. The points on the Pareto front are of interest to the decision makers (plant engineers) involved in process design decisions.

PL

W pracy przeprowadzono wielokryterialna optymalizację (ang. Multi-objective Optimization - MOO) procesów przemysłowych obejmującą decyzje związane z projektowaniem tych procesów [przykładowo, reaktor styrenu (winylobenzenu), reaktor termoplastycznej żywicy polimerowej (ang. polyethylene terephthalate - PET), i rurowy reaktor polietylenu o niskiej gęstości (ang. Iow density polyethylene - LDPE)]. W tym celu wykorzystano opracowane, nowe algorytmy. Efektywność tych algorytmów została sprawdzona przez ocenę wpływu głównych zmiennych decyzyjnych na front Pareto. Front Pareto otrzymy-wany stosując różne opracowane w niniejszej pracy algorytmy porównywano między sobą oraz z danymi przemysłowymi i danymi wziętymi z literatury. Opracowane nowe strategie wielokryterialnego algorytmu ewolucyjnego (MODĘ) zbiegają się do lepszego frontu Pareto niż uzyskiwany klasycznymi algorytmami MODĘ i NSGA dla reaktora styrenu. W przypadku reaktora PET, dla którego algorytm genetyczny NSGA dawał pojedyncze rozwiązanie, strategia oparta o algorytm MODĘ daje front Pareto składający się ze zbioru rozwiązań. Wyniki uzyskane w niniejszej pracy dla reaktora rurowego LDPE wykazują, że algorytm MODE III może dać szerszy obszar rozwiązań we froncie Pareto w porównaniu do uzyskanego innymi strategiami MODE. Punkty na froncie Pareto są interesujące dla inżynierów podejmujących decyzje produkcyjne.

Słowa kluczowe

EN

multi-objective optimization; multi-objective differential evolution; evolutionary algorithms; hybrid algorithms; Pareto front; industrial problem

• Wydawca: Wydawnictwa AGH
• Czasopismo: Computer Methods in Materials Science
• Rocznik: 2011
• Tom: Vol. 11, No. 3
• Strony: 463--468
• Opis fizyczny: Bibliogr. 13 poz., rys.

Twórcy

autor

Gujarathi A. M.

autor

Babu B. V.

• Chemical Engineering Department Birla Institute of Technology and Science Pilani-333031 Rajasthan, India,

Bibliografia

• Babu, B.V., Mubeen, J.H.S., Chakole, P.G., 2007, Modeling, simulation, and optimization of wiped film poly ethylene terephthalate (PET) reactor using multi-objective differential evolution (MODE), Mater. Manuf. Processes, 22, 541-552.
• Bhaskar, V., Gupta, S.K., Ray, A.K., 2001, Multi-objective optimization of an industrial wiped film poly(cthylene terephthalate) reactor: some further insights, Compu. Chem. Engng., 25, 391-107.
• Deb, K.., 2001, Multi-objective optimization using evolutionary algorithms, John Wiley and Sons Limited, New York.
• Elnashaie, S.S.E.H., Elshishini, S.S., 1994, Modeling, simulation and optimization of industrial fixed bed catalytic reactors, Gordon and Breach Science Publisher, London.
• Goldberg, D.E., 1989, Genetic algorithms in search, optimization, and machine learning, Reading, MA: Addison-Wesley.
• Gujarathi, A.M., 2010, Pareto Optimal Solutions in process design decisions using evolutionary multi-objective optimization, Ph.D. Thesis, Birla Institute of Technology and Science (BITS), Pilani, India.
• Gujarathi, A.M., Babu B.V., 2009a, Improved Multi-Objective Differential Evolution (MODE) Approach for Purified Terephthalic Acid (PTA) Oxidation Process, Mater. Manuf. Processes, 24, 303-319.
• Gujarathi, A.M., Babu, B.V., 2009b, Optimization of adiabatic styrene reactor: A hybrid multi-objective differential evolution (H-MODE) approach, Ind. Engng. Chem. Res., 48, 11115-11132.
• Gujarathi, A.M., Babu, B.V., 2010, Multi-objective Optimization of Industrial Styrene Reactor: Adiabatic and Pseudo-isothermal Operation, Chemi. Engng. ScL, 65, 2009-2026.
• Gujarathi, A. M., Lohumi, A., Mishra, M., Sharma, D., Babu, B.V., 2009, Multi-objective optimization using Trigonometric mutation multi-objective differential evolution algorithm, Proc. Int. Symp. & 62nd Ann. Sess. IIChE in asso. with Inter. Part.(CHEMCON-2009), Andhra University, Visakhapatnam.
• Price, K.V., Storn, R., 1997, Differential evolution - a simple evolution strategy for fast optimization, Dr. Dobb's J., 22, 18-22.
• Sheel, J.G.P., Crowe, CM., 1969, Simulation and optimization of an existing ethyl benzene dehydrogenation reactor,
• Can. J. Chem. Engng, 47, 183-187. Yee, A.K.Y., Ray, A.K., Rangiah, G.P., 2003, Multi-objective optimization of industrial styrene reactor, Compu. Chem. Engng., 27, 111-130