Joschka Winz

Optimization of (Bio-) Chemical Processes with Embedded Gray-box Process Modeling


voorkant	achterkant

ISBN:

978-3-8191-0450-3

Reeks:

Schriftenreihe des Lehrstuhls für Systemdynamik und Prozessführung
Uitgever: Prof. Dr.-Ing. Sebastian Engell
Dortmund

Volume:

2026,1

Trefwoorden:

Gray-box Modeling; Process Modeling; Process Optimization; Surrogate Model

Soort publicatie:

Dissertatie

Taal:

Engels

Pagina's:

244 pagina's

Prijs:

59,80 €

Verschijningsdatum:

December 2025

Download:

Beschikbare online documenten voor deze titel:

U heeft Adobe Reader, nodig, om deze bestanden te kunnen bekijken. Hier vindt u ondersteuning en informatie, bij het downloaden van PDF-bestanden.

Let u er a.u.b. op dat de online-bestanden niet drukbaar zijn.


	Document		Document
	Soort bestand		PDF
	Kosten		44,85 EUR
	Acties		Tonen en kopen van het bestand - 8,4 MB (8809650 Byte)
	Acties		Kopen en downloaden van het bestand - 8,4 MB (8809650 Byte)


	Document		Inhoudsopgave
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 344 kB (352146 Byte)
	Acties		downloaden van het bestand - 344 kB (352146 Byte)

Gebruikersinstellingen voor geregistreerde online-bezoekers

Hier kunt u uw adresgegevens aanpassen en uw documenten inzien.

Gebruiker:	niet aangemeld
Acties:	aanmelden/registreren Paswoord vergeten?

Aanbevelen:

Wilt u dit boek aanbevelen?

Verlinking

Wilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.

Samenvatting

Accurate process models are crucial for designing and operating chemical and biochemical processes. Traditional approaches rely solely on mechanistic or data-driven modeling, whereas gray-box models combine physical knowledge with machine learning (ML). This thesis addresses two key challenges: systematic dynamic gray-box modeling with embedded ML models and efficient surrogate modeling of thermodynamic equilibria for simulation and optimization. First, a step-by-step embedded gray-box methodology is introduced. The models are based on standard relationships such as heat and mass balances, while unknown effects are captured by embedded ML submodels. Training data for these submodels are generated by fitting piecewise trajectories to measurements, enabling quick testing of model architectures on static data and avoiding repeated dynamic simulations during identification. The method is demonstrated on three examples, including a real fermentation process, and yields robust models for computing efficient operating strategies. Second, surrogate modeling techniques are developed to replace computationally expensive phase-equilibrium (pT-flash) calculations in thermomorphic solvent systems. The three approaches Sobolev training, tie-line–based data augmentation, and adaptive sampling significantly reduce the required thermodynamic evaluations while maintaining global accuracy. A Bayesian optimization algorithm embedding these surrogates in gray-box formulations further increases efficiency by requiring fewer costly function evaluations. Overall, the presented methodologies offer new strategies for seamlessly integrating physical knowledge with data-driven models, enabling robust, accurate, and computationally efficient process simulation and optimization.