Machine learning-based hybrid dynamic modeling and economic predictive control of carbon capture process for ship decarbonization
作者: Xuewen Zhang, Kuniadi Wandy Huang, Dat-Nguyen Vo, Minghao Han, Benjamin Decardi-Nelson, Xunyuan Yin
分类: eess.SY
发布日期: 2025-02-09 (更新: 2025-04-17)
备注: 25 pages, 21 figures, 12 tables
💡 一句话要点
提出基于混合动态建模和经济预测控制的船舶碳捕获工艺优化方案
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 船舶碳捕获 混合动态建模 经济预测控制 机器学习 能源效率
📋 核心要点
- 国际海事组织要求降低航运碳排放，船载碳捕获技术是潜在解决方案，但能耗是关键挑战。
- 论文提出混合动态建模方法，融合物理知识和神经网络，准确描述船载碳捕获过程的动态特性。
- 采用经济模型预测控制，在保证碳捕获效率的同时，最小化能源消耗，并通过仿真验证了有效性。
📝 摘要（中文）
为降低国际航运的碳排放强度，本文提出了一种基于混合建模的经济预测控制方案，旨在提高船载碳捕获过程的能源效率。该方案考虑了包含船舶发动机系统和船载燃烧后碳捕获装置的综合系统。为了准确且稳健地表征船载装置的动态行为，开发了一种混合动态过程模型，该模型集成了现有的不完善的物理知识和使用过程运行数据训练的神经网络。基于该混合模型，提出了一种经济模型预测控制方法，以确保碳捕获效率，同时最大限度地减少碳捕获过程运行所需的能源消耗。采用交叉熵方法有效地解决了与所提出的基于混合模型的经济模型预测控制方法相关的复杂非凸优化问题。通过大量的仿真、分析和比较，验证了该框架的有效性，并展示了其优越性。
🔬 方法详解
问题定义：论文旨在解决船载碳捕获过程的能源效率问题。现有方法可能依赖于简化的物理模型，无法准确捕捉复杂动态特性，或者忽略了经济性优化，导致运行成本过高。因此，需要一种能够准确建模并优化能源消耗的控制策略。
核心思路：论文的核心思路是结合物理知识和数据驱动的机器学习方法，构建混合动态模型，并在此基础上设计经济模型预测控制策略。通过融合先验知识和数据信息，提高模型精度和鲁棒性，同时利用经济目标函数指导控制器的优化过程。
技术框架：整体框架包括三个主要模块：1) 船载碳捕获过程建模，采用混合动态建模方法，融合物理模型和神经网络；2) 经济模型预测控制，基于混合模型，设计经济目标函数，预测未来状态并优化控制变量；3) 优化求解，采用交叉熵方法求解非凸优化问题。
关键创新：最重要的创新点在于混合动态建模方法，它克服了传统物理模型精度不足和纯数据驱动模型泛化能力差的缺点。通过将物理知识作为约束或先验信息，引导神经网络的学习过程，提高了模型的准确性和鲁棒性。
关键设计：混合模型中，物理模型部分描述已知的物理规律，神经网络部分用于拟合未知的或难以建模的动态特性。经济目标函数通常包含碳捕获效率和能源消耗两部分，通过加权系数平衡两者之间的关系。交叉熵方法用于求解非凸优化问题，通过迭代更新概率分布，寻找最优解。
🖼️ 关键图片
📊 实验亮点
论文通过仿真实验验证了所提出框架的有效性。结果表明，与传统控制方法相比，该方法能够在保证碳捕获效率的同时，显著降低能源消耗。具体的性能数据和对比基线在论文中进行了详细展示，证明了该方法的优越性。
🎯 应用场景
该研究成果可应用于各类船舶的碳捕获系统，优化碳捕获过程的运行，降低能源消耗和运营成本，助力航运业实现碳减排目标。此外，该混合建模和经济预测控制方法也可推广到其他工业过程的优化控制，具有广泛的应用前景。
📄 摘要（原文）
Implementing carbon capture technology on-board ships holds promise as a solution to facilitate the reduction of carbon intensity in international shipping, as mandated by the International Maritime Organization. In this work, we address the energy-efficient operation of shipboard carbon capture processes by proposing a hybrid modeling-based economic predictive control scheme. Specifically, we consider a comprehensive shipboard carbon capture process that encompasses the ship engine system and the shipboard post-combustion carbon capture plant. To accurately and robustly characterize the dynamic behaviors of this shipboard plant, we develop a hybrid dynamic process model that integrates available imperfect physical knowledge with neural networks trained using process operation data. An economic model predictive control approach is proposed based on the hybrid model to ensure carbon capture efficiency while minimizing energy consumption required for the carbon capture process operation. The cross-entropy method is employed to efficiently solve the complex non-convex optimization problem associated with the proposed hybrid model-based economic model predictive control method. Extensive simulations, analyses, and comparisons are conducted to verify the effectiveness and illustrate the superiority of the proposed framework.