Bewertung und iterative Verbesserung von rigoros‐empirischen Hybridmodellen

Die modellbasierte Optimierung ist ein wichtiges Werkzeug zur Steigerung der Wirtschaftlichkeit, Sicherheit und ökologischen Verträglichkeit eines verfahrenstechnischen Prozesses. Die Modellierung ist jedoch aufwändig, wenn in dem Prozess komplizierte und teilweise unverstandene physikalische Phänomene ablaufen. Als illustrierendes Beispiel betrachten wir den in Abb. 1 skizzierten Prozess zur Herstellung von Ethylenglykol (EG) aus Ethylenoxid (EO) und Wasser (H2O). Die Edukte reagieren im Reaktor zu EG, Diethylenglykol (DEG) und Triethylenglykol (TEG). Unverbrauchte Edukte werden im Phasentrennapparat von den Glykolen getrennt und zum Reaktor rückgeführt. Im Rahmen dieser Arbeit nehmen wird an, dass allein die Reaktionskinetik in diesem Prozess nicht exakt bekannt ist. Unbekannte Reaktionskinetiken sind typisch für biotechnologische Prozesse sowie katalysierte Reaktionen, bei denen die Aktivität der Katalysatoren von zahlreichen Einflussgrößen abhängen kann. Für eine modellbasierte Optimierung des Prozesses ist es notwendig, die chemischen Reaktionen zu modellieren. Da eine rigorose Modellierung der Kinetik mittels einer Laboranalyse kostenund zeitaufwändig ist, wird diese hier durch ein leicht zu erstellendes empirisches Kinetikmodell beschrieben. Hierzu wurden in dieser Arbeit neuronale Netze [4] verwendet, da sie im Gegensatz zu den häufig verwendeten Potenzmodellen kein a priori Wissen in das Identifikationsproblem einbringen und flexibel an Messdaten angepasst werden können. Das resultierende stationäre Prozessmodell f(u,x,p) = 0 besteht somit aus zwei verschiedenen Modellarten: den rigorosen Teilmodellen für bekannte Phänomene, wie z.B. die