دانلود مقاله انگلیسی رایگان:یادگیری تقویتی مقیاس پذیر برای کنترل بوته در فرآیند مونومر وینیل استات - 2020
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی یادگیری تقویتی رایگان
  • Scalable reinforcement learning for plant-wide control of vinyl acetate monomer process Scalable reinforcement learning for plant-wide control of vinyl acetate monomer process
    Scalable reinforcement learning for plant-wide control of vinyl acetate monomer process

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Scalable reinforcement learning for plant-wide control of vinyl acetate monomer process


    ترجمه فارسی عنوان مقاله:

    یادگیری تقویتی مقیاس پذیر برای کنترل بوته در فرآیند مونومر وینیل استات


    منبع:

    Sciencedirect - Elsevier - Control Engineering Practice, 97 (2020) 104331. doi:10.1016/j.conengprac.2020.104331


    نویسنده:

    Lingwei Zhu a,∗,1, Yunduan Cui a,1, Go Takami b, Hiroaki Kanokogi b, Takamitsu Matsubara a


    چکیده انگلیسی:

    This paper explores a reinforcement learning (RL) approach that designs automatic control strategies in a largescale chemical process control scenario as the first step for leveraging an RL method to intelligently control real-world chemical plants. The huge number of units for chemical reactions as well as feeding and recycling the materials of a typical chemical process induces a vast amount of samples and subsequent prohibitive computation complexity in RL for deriving a suitable control policy due to high-dimensional state and action spaces. To tackle this problem, a novel RL algorithm: Factorial Fast-food Dynamic Policy Programming (FFDPP) is proposed. By introducing a factorial framework that efficiently factorizes the action space, Fast-food kernel approximation that alleviates the curse of dimensionality caused by the high dimensionality of state space, into Dynamic Policy Programming (DPP) that achieves stable learning even with insufficient samples. FFDPP is evaluated in a commercial chemical plant simulator for a Vinyl Acetate Monomer (VAM) process. Experimental results demonstrate that without any knowledge of the model, the proposed method successfully learned a stable policy with reasonable computation resources to produce a larger amount of VAM product with comparative performance to a state-of-the-art model-based control.
    Keywords: Chemical process control | Reinforcement learning | Vinyl acetate monomer


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 10
    حجم فایل: 1477 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi