FAST SURROGATE-BASED OPTIMIZATION

A method of optimizing setting in an industrial process is described, along with associate media and systems, using a digital twin, computationally expensive physics-based model coupled with a faster machine learning (ML) model. Multiple initial guesses are subject to multiple branches of constraine...

Full description

Saved in:
Bibliographic Details
Main Author DE LA TORRE, Gerardo
Format Patent
LanguageEnglish
French
Published 29.08.2024
Subjects
Online AccessGet full text

Cover

More Information
Summary:A method of optimizing setting in an industrial process is described, along with associate media and systems, using a digital twin, computationally expensive physics-based model coupled with a faster machine learning (ML) model. Multiple initial guesses are subject to multiple branches of constrained objective function optimization using the ML model. In each branch, the optimized parameters are checked using the physics-based model, subject to constrain correction projection if they violate a constraint until they are in-bounds, and then logged. The best parameters are then selected from the logged parameters from all of the branches. L'invention concerne un procédé d'optimisation de réglage dans un processus industriel, conjointement avec des supports et des systèmes associés, en utilisant un modèle de jumeau numérique basé sur la physique et coûteux en termes de calcul, couplé à un modèle d'apprentissage automatique (ML) plus rapide. De multiples suppositions initiales sont soumises à de multiples branches d'optimisation de fonction objective contrainte en utilisant le modèle de ML. Dans chaque branche, les paramètres optimisés sont vérifiés à l'aide du modèle basé sur la physique, soumis à une projection de correction de contrainte s'ils violent une contrainte jusqu'à ce qu'ils soient dans des limites, puis journalisés. Les meilleurs paramètres sont ensuite sélectionnés parmi les paramètres journalisés depuis toutes les branches.
Bibliography:Application Number: WO2024US16682