Learning-based approaches for the analysis and optimization of profile extrusion dies and bioreactors

Wolff, Daniel; Behr, Marek; Elgeti, Stefanie Nicole; Hachem, Elie

doi:HT030590808

Learning-based approaches for the analysis and optimization of profile extrusion dies and bioreactors = Lernbasierte Ansätze für die Analyse und Optimierung von Profilextrusionswerkzeugen und Bioreaktoren

Wolff, Daniel^RWTH*

2023

Verantwortlichkeitsangabevorgelegt von Daniel Wolff

ImpressumAachen : RWTH Aachen University 2023

Umfang1 Online-Ressource : Illustrationen, Diagramme

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2023

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Elgeti, Stefanie Nicole (Thesis advisor)^RWTH* ; Hachem, Elie (Thesis advisor) ; Behr, Marek (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2023-09-08

Online
DOI: 10.18154/RWTH-2023-10706
URL: https://publications.rwth-aachen.de/record/973315/files/973315.pdf

Einrichtungen

Projekte

Inhaltliche Beschreibung (Schlagwörter)
bioreactors (frei) ; computational fluid dynamics (frei) ; physics-informed neural networks (frei) ; profile extrusion (frei) ; reinforcement learning (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die vorliegende Arbeit untersucht, wie Methoden aus dem Bereich des maschinellen Lernens in klassische ingenieurwissenschaftliche Arbeitsabläufe integriert werden können und leistet damit einen weiteren Beitrag zur Überbrückung der Kluft zwischen diesen beiden Disziplinen. Konkret wird untersucht, wie Algorithmen aus dem Bereich des maschinellen Lernens Simulationen verbessern können, z.B. durch die Reduzierung von Rechenzeiten, um anspruchsvolle Aufgaben wie die Optimierung selbst komplexer industrieller Anwendungen zu ermöglichen. Die wiederholte Auswertung von teuren High-Fidelity-Simulationsmodellen ist trotz der in den letzten Jahrzehnten erzielten Fortschritte bei der Rechenleistung in der Regel nicht durchführbar, obwohl sie in vielen technischen Disziplinen von Interesse ist, z. B. beim Entwurf von Profilextrusionswerkzeugen oder Bioreaktoren. Algorithmen des Maschinellen Lernens sind vielversprechende Kandidaten, um diesen Nachteil zu überwinden, da sie — nach einem Offline-Training — schnelle Online-Evaluierungen, z. B. innerhalb einer Optimierungsschleife, ermöglichen. Der erste Teil dieser Arbeit befasst sich mit physikalisch informierten neuronalen Netzen zur Erstellung von reduzierten Modellen für die Simulation von Strömungen in Bioreaktoren und Profilextrusionswerkzeugen. Durch die Einbeziehung der für die Probleme geltenden Gleichungen in den Erstellungsprozess des reduzierten Simulationsmodells wird eine höhere Genauigkeit und Interpretierbarkeit im Vergleich zu klassischen Black-Box-Maschinenlernansätzen erwartet, während gleichzeitig die Notwendigkeit von Daten entfällt. Wir stellen zwei neue allgemeine Strategien vor, die physikalisch informierte neuronale Netze als zuverlässige reduzierte Modelle ermöglichen, und demonstrieren diese an den betrachteten Anwendungsfällen. Im zweiten Teil dieser Arbeit konzentrieren wir uns auf parametrische Formoptimierung und untersuchen bestärkendes Lernen: Der Einsatz von Agenten des bestärkenden Lernens, die Entscheidungen auf der Grundlage von (Teil-)Beobachtungen des Systemzustands treffen, als Alternative zu klassischen Optimierungsalgorithmen ermöglicht zwei Ansätze, nämlich die inkrementelle und die direkte Formoptimierung. Anhand von zwei verschiedenen Profilextrusionsgeometrien mit unterschiedlichen Konstruktionszielen vergleichen wir beide Ansätze und diskutieren die Leistung verschiedener Lernalgorithmen auf der Grundlage ihrer Klassifizierung. Zuletzt untersuchen wir das Training in einer vektorisierten Umgebung als eine Möglichkeit, wie das Lernen der Entscheidungsregel durch Parallelisierung beschleunigt werden kann.

This thesis investigates how methods from the field of machine learning can be incorporated into classical engineering workflows and thus provides another contribution toward bridging the gap between these two disciplines. Precisely, we examine how Machine Learning algorithms can enhance simulations, i.e., by reducing computing times, to enable challenging tasks like the optimization of even complex industrial applications. While being of interest in many engineering disciplines, e.g., the design of profile extrusion dies or bioreactors,repeatedly evaluating expensive high-fidelity (or full-order) simulation models is usually infeasible despite the advances in computational powers during the last decades. Machine Learning algorithms are promising candidates to overcome this drawback as they — once trained during an offline phase — allow for rapid evaluations online, e.g., within an optimization loop. The first part of this thesis considers physics-informed neural networks to create reduced-order models for simulating the flows in bioreactors and profile extrusion dies. By incorporating knowledge about the problems’ governing equations into the construction process of the reduced simulation model, superior accuracy and interpretability compared to classical black-box machine learning approaches are expected while simultaneously obliterating the need for data. We present two novel general strategies that enable physics-informed neural networks as reliable reduced models and demonstrate them on the considered application cases. In the second part of this thesis, we focus on parametric shape optimization and study reinforcement learning: The use of reinforcement learning agents which make decisions based on (partial) observations of a system’s state as an alternative to classical optimization algorithms allows for two approaches, i.e., incremental and direct shape optimization. On two different profile extrusion die geometries with differing design objectives, we compare both approaches and discuss the performance of different learning algorithms based on their classification. Finally, we explore vectorized environment training as one possibility of how learning the decision rule can be accelerated by parallelization.

OpenAccess:
PDF
(additional files)