MeLOn - Machine Learning models for Optimization

    Urheberrecht: © AVT.SVT

Die open-source Beta Version von MAiNGO finden sie auf der GitLab Webseite.

M achine Learning models for Optimization (MeLOn) ist eine Toolbox, die Modelle aus dem Bereich des maschinellen Lernens in Optimierungsprobleme integriert. Die Toolbox ist am Lehrstuhl für Systemverfahrenstechnik (AVT.SVT) von Artur M. Schweidtmann, Linus Netze und Alexander Mitsos entwickelt worden.

MeLOn stellt Methoden zur Verfügung für das Training von einer Vielzahl von Modellen aus dem Bereich des maschinellen Lernens. Darüber hinaus stellt MeLOn C++ Implementierungen der Modelle bereit, die in unserem open-source globalen Optimierungsalgorithmus MAiNGO verwendet werden können. Aktuell stellen wir künstliche neuronale Netzwerke und Gaußprozesse als Modelle bereit. Wir arbeiten jedoch aktuell an Erweiterungen, die in naher Zukunft online zur Verfügung gestellt werden.

 

Anwendungen

Wir konnten zeigen, dass eine sogenannte “reduced-space” Formulierung signifikante Vorteile bei der Optimierung von künstlichen neuronalen Netzwerken und Gaußprozessen bietet. Dadruch ermöglicht die Formulierung auch eine effiziente Optimierung von hybriden Modellen in denen physikalische Modelle mit datengetriebenen Modellen kombiniert werden.

Deterministische globale Optimierung mit eingebetteten künstlichen neuronalen Netzwerken

• Hybride Modellierung von chemischen Prozessen und Prozessoptimierung [Schweidtmann and Mitsos, 2019]

• Design von Membranen [Rall et al., 2019, Rall et al., 2020, Rall et al., 2020b]

• Optimierung von Energieprozessen mit Ersatzmodellen für akkurate Thermodynamik: ORC Prozess-Optimierung [Schweidtmann et al., 2019, Huster et al., 2019] und Arbeitsmittelauswahl [Huster et al., 2020]

• Verwendung von neuronalen Netzwerken mit garantierter Genauigkeit [ Schweidtmann et al., 2019 ]

• Betriebsplanung von „compressed air energy storage“ Systemen bei denen die Effizienz durch neuronale Netzwerke abgebildet wird [Schäfer et al., 2020]

Deterministische globale Optimierung mit eingebetteten Gaußprozessen

• Chance-constrained programming mit Gaußprozessen [Schweidtmann et al., 2020]

• Bayesian Optimierung mit global optimaler acquisition Funktion [Schweidtmann et al., 2020]

Literaturhinweise

• Rall, D., Menne, D., Schweidtmann, A. M., Kamp, J., von Kolzenberg, L., Mitsos, A., & Wessling, M. (2019). Rational design of ion separation membranes. Journal of membrane science, 569, 209-219. https://doi.org/10.1016/j.memsci.2018.10.013

• Rall, D., Schweidtmann, A. M., Aumeier, B. M., Kamp, J., Karwe, J., Ostendorf, K., Mitsos, A. & Wessling, M. (2020). Simultaneous rational design of ion separation membranes and processes. Journal of Membrane Science, 117860. https://doi.org/10.1016/j.memsci.2020.117860

• Rall, D., Schweidtmann, A. M., Kruse, M., Evdochenko, E., Mitsos, A. & Wessling, M. (2020). Multi-scale membrane process optimization with high-fidelity ion transport models through machine learning. Journal of Membrane Science, In Press. https://doi.org/10.1016/j.memsci.2020.117860

• Schweidtmann, A. M., & Mitsos, A. (2019). Deterministic global optimization with artificial neural networks embedded. Journal of Optimization Theory and Applications, 180(3), 925-948. https://doi.org/10.1007/s10957-018-1396-0

• Schweidtmann, A. M., Huster, W. R., Lüthje, J. T., & Mitsos, A. (2019). Deterministic global process optimization: Accurate (single-species) properties via artificial neural networks. Computers & Chemical Engineering, 121, 67-74. https://doi.org/10.1016/j.compchemeng.2018.10.007

• Schweidtmann, A. M., Bongartz, D., Huster, W. R., & Mitsos, A. (2019). Deterministic Global Process Optimization: Flash Calculations via Artificial Neural Networks. In Computer Aided Chemical Engineering (Vol. 46, pp. 937-942). Elsevier. https://doi.org/10.1016/B978-0-12-818634-3.50157-0

• Schweidtmann, A. M., Bongartz, D., Grothe, D., Kerkenhoff, T., Lin, X., Najman, J., & Mitsos, A. (2020). Global optimization of Gaussian processes. Submitted. Preprint available on https://arxiv.org/abs/2005.10902.

• Huster, W. R., Schweidtmann, A. M., & Mitsos, A. (2019). Impact of accurate working fluid properties on the globally optimal design of an organic Rankine cycle. In Computer Aided Chemical Engineering (Vol. 47, pp. 427-432). Elsevier.https://doi.org/10.1016/B978-0-12-818597-1.50068-0

• Huster, W. R., Schweidtmann, A. M., & Mitsos, A. (2020). Working fluid selection for organic rankine cycles via deterministic global optimization of design and operation. Optimization and Engineering, (Vol. 21, pp. 517-536).https://doi.org/10.1007/s11081-019-09454-1

• Schäfer, P., Schweidtmann, A. M., Lenz, P. H., Markgraf, H. M., & Mitsos, A. (2020). Wavelet-based grid-adaptation for nonlinear scheduling subject to time-variable electricity prices. Computers & Chemical Engineering, 132, 106598. https://doi.org/10.1016/j.compchemeng.2019.106598