Physik-informiertes Netzwerk für Destillationskolonnen liefert präzise Vorhersagen

Ein neuer Digital‑Twin‑Ansatz kombiniert physikbasierte maschinelle Lernverfahren mit Simulationsergebnissen aus Aspen HYSYS und eröffnet damit völlig neue Möglichkeiten für die Überwachung, Steuerung und Optimierung industrieller Prozesse.

Im Fokus steht ein Physics‑Informed Neural Network (PINN), das die dynamische, tray‑weise Modellierung von binären Destillationskolonnen unter transienten Betriebsbedingungen übernimmt. Durch die direkte Einbettung fundamentaler thermodynamischer Gesetze – darunter die VAP‑LIEQ‑Gleichgewichte nach einer modifizierten Raoult‑Gesetz‑Formulierung, tray‑spezifische Massen‑ und Energie‑Bilanzen sowie die McCabe‑Thiele‑Methode – wird die physikalische Konsistenz des Modells in die Verlustfunktion integriert.

Das Netzwerk wurde auf einem hochauflösenden synthetischen Datensatz trainiert, der 961 zeitlich abgestimmte Messungen über einen achtstündigen Transienten umfasst. Die Daten wurden in Aspen HYSYS für ein binäres HX/TX‑Destillationssystem mit 16 Sensorströmen erzeugt. Ein adaptives Verlust‑Gewichtungs‑Schema sorgt dafür, dass die Genauigkeit der Daten und die Einhaltung der physikalischen Vorgaben während des Trainings ausgewogen berücksichtigt werden.

Im Vergleich zu fünf reinen datenbasierten Baselines – LSTM, MLP, GRU, Transformer und DeepONet – erzielt das PINN einen Fehler (RMSE) von 0,00143 bei der Vorhersage der HX‑Molekularfraktion, was einer 44,6 %‑igen Verbesserung gegenüber dem besten datenbasierten Modell entspricht. Gleichzeitig wird die thermodynamische Konsistenz strikt eingehalten, und die tray‑weisen Temperatur‑ und Zusammensetzungsprofile spiegeln die tatsächlichen Spaltendynamiken unter transienten Störungen exakt wider.

Diese Ergebnisse zeigen, dass physikinformierte neuronale Netzwerke nicht nur die Genauigkeit von Vorhersagen deutlich steigern, sondern auch die Integrität physikalischer Gesetze wahren können. Für die Industrie bedeutet das einen bedeutenden Fortschritt in der Echtzeit‑Überwachung und -Optimierung von Destillationskolonnen, was zu effizienteren Betriebsabläufen und Kosteneinsparungen führen kann.