MARC

 008250123s2024        us                              c    eng  d
■001000017161385
■00520250211151349
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382339344
■035    ▼a(MiAaPQ)AAI31242989
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a660
■1001  ▼aKrumpolc,  Thomas  J.
■24513▼aAn  Optimization  Framework  for  Kinetic  Model  Building  from  Concentration  and  Spectroscopic  Data
■260    ▼a[Sl]▼bCarnegie  Mellon  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a163  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Biegler,  Lorenz  T.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2024.
■520    ▼aThis  dissertation  deals  with  the  development  of  an  optimization  framework  for  kinetic  model  building  from  experimentally  measured  concentration  and  spectroscopic  data.  We  develop  mechanistic  models  based  on  first-principles  and  use  a  statistical  criteria  for  model  discrimination  when  more  than  one  model  is  proposed.  While  many  predictive  model  building  methods  exist  using  data-driven  approaches,  mechanistic  models  provide  a  physical  understanding  of  resulting  estimates  and  allow  the  investigator  to  elicit  additional  information  about  the  underlying  structure  of  the  system.  Tightly  coupled  with  kinetic  model  building  is  parameter  estimation,  where  degrees  of  freedom  are  related  to  unknown  reaction  rate  parameters  and  other  sources  of  measurement  uncertainty  such  as  unknown  initial  conditions  and  spectroscopic  absorbance.  Accurate  estimation  methods  which  maximize  the  information  from  experimentally  collected  data  are  imperative,  but  detailed  physics-based  models  with  multiple  datasets  present  a  computational  challenges  as  the  problem  size  and  complexity  increases.  In  this  work,  we  present  strategies  to  address  these  common  obstacles.  The  model  building  framework  is  based  on  simultaneous  full-discretization  approaches  and  interior-point  nonlinear  programming  (NLP)  solvers  which  exploit  problem  structure  and  exact  second  derivatives  resulting  in  favorable  computational  efficiency. First,  we  review  relevant  nonlinear  optimization  theory,  which  motivates  the  use  of  interior-point  algorithms  for  kinetic  model  building.  In  addition,  we  discussion  advantages  and  disadvantages  of  different  approaches  for  parameter  estimation  from  spectroscopic  data,  with  special  emphasis  on  the  advantages  of  the  simultaneous  solution  strategy.  To  present  the  flexibility  and  robustness  of  this  framework,  we  investigate  various  reaction  networks  with  real-world  experimentally  measured  data.  Chapter  3  describes  an  application  of  nonlinear  mixed-effects  models,  an  alternative  modeling  technique  commonly  used  in  pharmacometrics  to  capture  batch-to-batch  variation  between  experiments,  to  a  single  response  hydrogenation  reaction  in  a  trickle-bed  batch  reactor  system.  Chapters  4,  5,  and  6  examine  different  applications  of  our  kinetic  model  building  framework  to  obtain  accurate  predictions  of  rate  constants,  concentration  profiles,  and  pure  component  absorbance  profiles  from  in  situ  spectroscopic  data.  In  Chapter  4  and  Chapter  6,  we  develop  population  balance  models  for  ring-opening  polymerization  reactions.  Chapter  5  presents  a  challenging  case  study  where  temperature  dependence  and  hydrogen-bonding  effects  play  an  important  role.  All  modeling  strategies  use  the  state-of-the-art  NLP  solver  IPOPT  and  the  algebraic  modeling  language  Pyomo.
■590    ▼aSchool  code:  0041.
■650  4▼aChemical  engineering
■650  4▼aAnalytical  chemistry
■650  4▼aComputational  chemistry
■653    ▼aSpectroscopic  data
■653    ▼aKinetic  model  building
■653    ▼aData-driven  approaches
■653    ▼aSpectroscopic  absorbance
■653    ▼aComputational  efficiency
■690    ▼a0542
■690    ▼a0486
■690    ▼a0219
■71020▼aCarnegie  Mellon  University▼bChemical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161385▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books