008240612s2023      us  |||||||||||||||c||eng  d
■001000016935383
■00520240214101925
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380845281
■035    ▼a(MiAaPQ)AAI30695578
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a660
■1001  ▼aAbdullah,  Fahim.
■24510▼aSparse  Identification  Modeling  and  Predictive  Control  of  Nonlinear  Processes▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Los  Angeles.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(371  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-05,  Section:  B.
■500    ▼aAdvisor:  Christofides,  Panagiotis  D.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aData  is  widely  recognized  as  a  crucial  player  in  the  fourth  industrial  revolution,  in  which  engineers  and  computers  must  harness  data  to  enhance  the  efficiency  of  industrial  processes  and  their  associated  control  systems.  Traditional  industrial  process  control  systems  rely  on  linear  data-driven  models,  with  parameters  fitted  to  experimental  or  simulated  data.  In  specific  control  loops,  such  as  those  critical  for  profit  optimization,  they  may  employ  first-principles  models  describing  the  underlying  physico-chemical  phenomena  but  with  a  few  data-derived  parameters.  Nevertheless,  modeling  complex,  nonlinear  processes  on  a  large  scale  remains  an  open  challenge  in  process  systems  engineering.  The  quality  of  these  models  depends  on  various  factors,  including  model  parameter  estimation,  model  uncertainty,  the  number  of  assumptions  made  during  model  development,  model  dimensionality,  structure,  and  the  computational  demands  for  real-time  model  solutions.  This  is  especially  pertinent  as  process  models  are  integral  to  advanced  model-based  control  systems,  such  as  model  predictive  control  (MPC)  and  economic  MPC  (EMPC).  Designing  MPC  systems  that  utilize  data-driven  modeling  techniques  to  account  in  real-time  for  large  data  sets  is  a  new  frontier  that  will  impact  the  next  generation  of  industrial  control  systems.  While  a  significant  body  of  research  has  been  dedicated  to  the  use  of  neural  networks  for  nonlinear  process  modeling  and  control,  in  both  the  theoretical  and  practical  domains,  more  computationally  efficient  models  that  can  directly  be  used  in  MPC  rather  than  their  linearized  counterparts,  are  still  an  growing  area  of  research  that  can  lead  to  the  design  of  more  robust  and  efficient  control  systems.Motivated  by  the  above  considerations,  this  dissertation  presents  the  use  of  a  computationally  efficient  data-driven  technique  known  as  sparse  identification  in  model  predictive  control  for  chemical  processes  described  by  nonlinear  dynamic  models.  The  motivation  and  organization  of  this  dissertation  are  first  presented.  Then,  the  use  of  sparse  identification  to  develop  nonlinear  dynamic  process  models  to  be  used  in  model  predictive  controllers  is  presented,  specifically  addressing  the  challenges  of  two-time-scale  systems,  sensor  noise,  industrial  nonlinearities,  and  process  shifts.  The  MPC  and  economic  MPC  schemes  that  use  sparse  identified  models  are  presented  in  detail  with  rigorous  analysis  provided  on  their  closed-loop  stability  and  recursive  feasibility  properties.  Finally,  the  dissertation  closes  with  an  overview  of  the  novelties  introduced  to  overcome  the  aforementioned  challenges  and  a  detailed  guide  to  developing  nonlinear  process  models  for  complex  chemical  processes  using  sparse  identification.  Throughout  the  dissertation,  the  proposed  methods  are  applied  to  numerical  simulations  of  nonlinear  chemical  process  examples  and  Aspen  Plus  simulations  of  large-scale  chemical  process  networks  to  demonstrate  their  effectiveness.
■590    ▼aSchool  code:  0031.
■650  4▼aChemical  engineering.
■650  4▼aComputer  engineering.
■650  4▼aEngineering.
■653    ▼aMachine  learning
■653    ▼aModel  predictive  control
■653    ▼aNonlinear  processes
■653    ▼aProcess  uncertainties
■653    ▼aSingular  perturbations
■653    ▼aSparse  identification
■690    ▼a0542
■690    ▼a0464
■690    ▼a0537
■71020▼aUniversity  of  California,  Los  Angeles▼bChemical  Engineering  0294.
■7730  ▼tDissertations  Abstracts  International▼g85-05B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16935383▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024