Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
TIES483 Epälineaarinen optimointi
Käytännön optimointiongelmien ratkaiseminen
Syksy 2012
Käytännön optimointiongelmien ratkaiseminen
• Käytännössä tulee kiinnittää huomiota ainakin seuraaviin asioihin
1. Tehtävän mallinnus
2. Optimointitehtävän muotoilu
3. Soveltuvan optimointiohjelmiston valinta
4. Optimointiohjelmiston ja mallinnustyökalun kytkeminen
5. Optimointi ja saadun ratkaisun analysointi
• Käydään tarkemmin läpi esimerkkitehtävän avulla
Jätevedenpuhdistamon optimaalinen suunnittelu
Esimerkkisovellus
Jätevedenpuhdistus
• Jätevedenpuhdistuslaitosten (Wastewater treatment plant, WWTP ) matemaattinen mallinnus alkoi yleistyä 1990-luvulla
• Mallinnus keskittyi pääasiassa aktiivilieteprosessiin (activated sludge process, ASP), joka on maailmanlaajuisesti yleisin puhdistustapa – käsiteltävä jätevesi johdetaan ilmastettuun bioreaktoriin,
jossa viljellään biomassaa – jätevesi puhdistetaan eli siitä poistetaan orgaanista hiiltä,
typpeä ja fosforia bioreaktorissa – reaktorin jälkeen biomassaa sisältävä jätevesi johdetaan
selkeyttimeen, jossa biomassa poistuu painovoiman vaikutuksesta ja se johdetaan takaisin reaktoriin
– puhdistettu jätevesi johdetaan lisäkäsittelyyn tai poistetaan laitoksesta
Jätevedenpuhdistamon suunnittelu
• Nykyään puhdistamon suunnittelussa on useita haasteita – toiminnalliset vaatimukset kiristyvät koko ajan
(erityisesti typen ja fosforin poistovaatimukset) – taloudellinen tehokkuus korostuu (tehtaan koon sekä
käytettävän energian ja kemikaalien minimointi) – toiminnallista luotettavuutta tulee korostaa
• Vaaditaan entistä monipuolisempia jätevedenkäsittely prosesseja
→ Useita ristiriitaisia tavoitteita!
PROSIM-projekti
• Pöyry Oy:n vetämä projekti Tekesin Mallinnus ja simulointi –ohjelmassa
• Tarkoituksena mallintaa muutamia suomalaisia puhdistamoja
– tuloksena simulointimallit, joita voidaan käyttää suunnittelun ja optimoinnin tukena
• Lisäksi selvittää kuinka monitavoiteoptimointi voisi hyödyttää suunnittelua (JY mukana)
Tehtävän mallinnus
• Vaatii yhteistyötä sovellusalan ammattilaisen kanssa
• Tehtävän esittäminen matemaattisesti → todellisuuden approksimointi
• Mallin numeerinen esitys käyttäen simulaattoria tai muuta mallinnustyökalua → mahdollistaa numeerisen simuloinnin kiinnitetyillä muuttujien arvoilla
• Erittäin tärkeää luotettavien tulosten saamiseksi!
Tehtävän mallinnus projektissa
• Tehtävän mallinnuksesta vastasi puhdistamo-jen suunnittelun asiantuntija Pöyryllä
– kokemusta simuloinnista muttei monitavoite-optimoinnista
• Mallinnukseen käytettiin kaupallista prosessisimulaattoria (GPS-X)
• Kaksi tapausta: yksinkertainen ja monimutkaisempi
GPS-X
• Kaupallinen prosessisimulaattori, kehitetty erityisesti jätevedenpuhdistuksen simulointiin – myyjä Kanadalainen Hydromantis
• http://www.hydromantis.com/GPS-X.html
• Pöyry käyttää simulaattoria suunnittelussa – valmistajan tekninen tuki saatavilla
• 1 lisenssi n. 17k$, akateeminen lisenssi 2k$ – sisältää vuoden teknisen tuen ja päivitykset
• Pöyryltä JY:lle lisenssi projektin ajaksi
Screenshot GPS-X
1. Aktiivilieteprosessi
1. Aktiivilieteprosessi
• Nitrifioiva aktiivilieteprosessi
• Prosessissa ammonium vety (ammonium nitrogen) hapettuu nitraatiksi (nitrate nitrogen) biokemiallisessa reaktiossa
• Tarkasteltava jätevesi vastaa tyypillistä suomalaista mekaanisesti ja kemiallisesti esikäsiteltyä kunnallista jätevettä
• 1 simulaatio vie n. 5 sekuntia
2. Toiminta-asetusten optimointi
2. Toiminta-asetusten optimointi
• Malli kuvaa modernia puhdistamoa (kemiallinen ja biokemiallinen puhdistus) – esikäsittely (hiekan poisto, kiinteän aineen erotus) – typen poisto (nitrifioiva ASP) – lietteen käyminen (hiilen lähde denitrifikaatioon) – lietteen anaerobinen mädätys (biokaasua sähkön
tai lämmön tuottoon) – ylijäämäliete ja lietteen käsittelyn hylky
kierrätetään sekoittamalla tulevaan jäteveteen
• 1 simulaatio vie n. 11 sekuntia
Optimointitehtävän muotoilu
• Optimoinnin tarkoitus tulee olla selvä
– mitä oikeasti halutaan?
• Tavoitteiden/objektifunktioiden määrittely
• Muuttujien valinta ja rajojen asettaminen
– pyritään rajaamaan kiinnostava alue
• Rajoitteiden määrittely
• Optimoinnin ja sovellusalan asiantuntijoiden yhteistyötä
Jätevedenpuhdistamon suunnittelu
• Perinteisesti WWTP on suunniteltu – vertaamalla muutamia prosessivaihtoehtoja
käyttäen simulointia ja insinööritietämystä – tai käyttäen yksitavoitteista optimointia, missä
kokonaiskustannukset on minimoitu muuttamalla kaikki tavoitteet rahaksi
• Heikkoudet – ensimmäinen tapa ei ole systemaattinen – toinen piilottaa tavoitteiden keskinäiset
riippuvuudet ja sisältää epävarmuuksia • Ainoastaan 2 artikkelia, joissa monitavoite-
optimointia käytetty; ei interaktiivisia lähestymistapoja
Optimointitehtävän muotoilu projektissa
• Optimointitehtävät muotoiltiin yhteistyössä Pöyryn asiantuntijan kanssa
• Molemmille tapauksille selvät tavoitteet
• Muuttujien vaihteluvälejä säädettiin projektin kuluessa
– realistisempi alue, tehostaa optimointia
1. Aktiivilieteprosessi
• Biokemialliset reaktiot käyttävät paljon happea ja alkaliteettia
• Happea tuotetaan ilmastuskompressoreilla ja alkaliteettia saadaan käsiteltävän jäteveden lisäksi lisäämällä kemikaaleja
• Ilmastus kuluttaa paljon energiaa ja kemikaalit maksavat
• Biomassan konsentraatio tulisi pitää mahdollisimman alhaalla (prosessi toimii paremmin)
1. Aktiivilieteprosessi
• Kolme (ristiriitaista) minimoitavaa objektifunktiota – ammoniumtypen määrä vedessä – käytetyn alkaliteettikemikaalin määrä – ilmastuksen kuluttama energia
• Kolme päätösmuuttujaa – biomassan konsentraatio – käytetyn alkaliteettikemikaalin määrä – O2-konsentraatio reaktorin viimeisessä osassa
• Rajoite: puhdistetun jäteveden alkaliteetti tulee olla annetuissa rajoissa (ala- ja yläraja)
2. Toiminta-asetusten optimointi
• Kokonaistavoite on minimoida typen määrä puhdistetussa jätevedessä ja minimoida käyttökustannukset
• Käyttökustannukset koostuvat 4 eri objektifunktiosta – minimoi ilmastuksen tarve aktiivilieteprosessissa – minimoi ylimääräisen hiilen lähteen käyttö
denitrifikaatiossa – minimoi ylimääräisen lietteen tuotto – maksimoi biokaasun tuotto
→ yhteensä 5 objektifunktiota
2. Toiminta-asetusten optimointi
• Viisi ristiriitaista objektifunktiota • Neljä päätösmuuttujaa
– fermentointiin menevän lietteen pumppaus – ylimääräisen lietteen pumppaus – O2-konsentraatio valitussa reaktorin osassa – lisä hiilenlähteen käyttö (metanoli)
• Rajoitteita (ala- ja ylärajat) – puhdistetun veden ammonium pitoisuudelle – biomassan konsentraatiolle – kokonaistypenpoistolle (%)
Soveltuvan optimointiohjelmiston valinta
• Mitä tehtävän luonteesta tiedetään?
• Onko gradientteja saatavilla?
• Onko tehtävä mahdollisesti epäkonveksi?
• Onko funktioiden arvojen laskeminen (=tehtävän simulointi) aikaa vievää?
• Useita tavoitteita, onko päätöksentekijä käytettävissä?
Simulaatiopohjainen optimointi
• Suljettu (Black-box) – ensin simuloidaan, sitten optimoidaan – optimoija kutsuu simulaattoria, aina steady-state
ratkaisu (kaikki rajoitteet toteutuvat) – aikaavievä, ei vaadi juurikaan tietoa optimoitavasta
mallista
• Avoin – samanaikainen simulointi ja optimointi – hyödynnetään tietoa optimoitavasta prosessista – steady-state (kaikki rajoitteet toteutuvat) vasta
optimaalisen ratkaisun löytyessä
Optimoinnin haasteet
Puhdistamon suunnittelutehtävän ominaisuuksia • simulaatiopohjainen (usein black-box) • ei gradientteja saatavilla • laskennallisesti vaativa (simulointi vie aikaa) • sisältää jatkuvia muuttujia ja epälineaarisia
funktioita • tulee ottaa huomioon useita näkökulmia
(monitavoitteinen) • vaatii insinööritietämystä (päätöksentekijä) → Tarvitaan tehokkaita optimointityökaluja
päätöksenteon tueksi
Projektissa käytetyt työkalut
• Käytettiin interaktiivista lähestymistapaa • Prosessi mallinnettiin käyttäen GPS-X
prosessisimulaattoria • GPS-X kytkettiin IND-NIMBUS
optimointiohjelmistoon – Interaktiivisen NIMBUS-menetelmän toteutus – yksitavoitteisessa optimoinnissa käytettiin
globaalin optimoinnin menetelmiä
• Päätöksentekijä oli asiantuntija puhdistamojen suunnittelussa
http://ind-nimbus.it.jyu.fi/
Optimointiohjelmiston ja mallinnustyökalun kytkeminen
• Mitä ohjelmistoja on saatavilla? – optimointimenetelmien eri toteutukset
• Mitä tietoa ohjelmistojen välillä pitää kulkea?
• Mitkä ovat rajapinnat? – rajapintojen muokkausmahdollisuus auttaa
– kaupallisten mallinnustyökalujen kytkeminen usein hankalaa, ei mahdollista vaikuttaa rajapintaan
• Kokonaisuuden testaaminen kytkemisen jälkeen ennen optimointia – esim. yksinkertaisilla tehtävillä
Kytkeminen projektissa
• Käytössä kaupallinen simulaattori (GPS-X) ja JY:ssä kehitetty optimointityökalu (IND-NIMBUS)
• Mahdollisuus vaikuttaa ainoastaan optimointiohjelmiston rajapintaan
• Simulaattorin rajapinnasta ja sen käytöstä tietoa tekniseltä tuelta
Kytkeminen projektissa
• Simulaattori tekee mallista suoritettavan tiedoston (.exe)
• Input simulaattorille komentojonotiedosto (.cmd), joka lukee muuttujien arvot tekstitiedostosta
– komentojonotiedostolle oma formaatti
• Output simulaattorille tekstitiedosto sisältäen simuloidut arvot
Kytkeminen projektissa
• Optimoija haluaa laskea funktioiden arvot (objektit ja rajoitteet) tietyillä muuttujien arvoilla – muuttujien arvot kirjoitetaan tekstitiedostoon
(values.in)
– simulointi käynnistetään suorittamalla simulointi systeemikutsuna
– simulaattori lukee muuttujien arvot ja suorittaa simuloinnin
– tulokset kirjoitetaan tekstitiedostoon (values.out)
– optimoija lukee simuloidut arvot tiedostosta
Optimointi ja saadun ratkaisun analysointi
• Sopivien parametrien määrittäminen (mallinnustyökalu, optimointiohjelmisto)
• Sovellusalan ammattilaisen hyödyntäminen (mm. päätöksentekijänä)
• Tehtävän käyttäytymisestä oppiminen
• Optimointia voidaan myös käyttää mallin testaamisessa
• Analysoi ja varmista saatujen tulosten järkevyys (yhdessä ammattilaisen kanssa)
Päätöksentekoprosessi
• Voidaan jakaa kahteen osaan – oppimisvaihe – päätösvaihe
• Interaktiivisessa monitavoiteoptimoinnissa – oppimisvaiheessa tutustutaan tehtävän
käyttäytymiseen antamalla eri preferenssejä ja arvioidaan näiden pohjalta tuotettuja ratkaisuja → nähdään mitä voidaan saavuttaa, mitkä ovat kiinnostavia alueita PO joukossa
– päätösvaiheessa haetaan paras kompromissi kiinnostavalta alueelta tarkennetuilla preferensseillä
1. Aktiivilieteprosessi
1. Aktiivilieteprosessi
• Kaikkiaan laskettiin 11 PO ratkaisua
• Viisi näistä oli käytännössä relevanttia (eli nitrifiointi toimii)
• Pienimmän ammoniumnitraatti pitoisuuden ratkaisu käytti liian paljon energiaa ja kemikaaleja antamatta riittävää parannusta veden laatuun
• Jäljelle jäävät 4 ratkaisua olivat käytännössä yhtä hyviä energian ja kemikaalien kulutuksen suhteen (mikä tahansa voitaisiin valita)
• Näistä valittiin ratkaisu, jossa biomassan konsentraatio oli pienin → parempi prosessin käytettävyys
1. Aktiivilieteprosessi
• Hakanen, J., Miettinen, K., Sahlstedt, K., Wastewater Treatment: New Insight Provided by Interactive Multiobjective Optimization, Decision Support Systems, 51, 328-337, 2011
2. Toiminta-asetusten optimointi
2. Toiminta-asetusten optimointi
• Alussa DM käytti insinööritietoon perustuvia arvoja tavoitteille (’alustava referenssipiste’)
• DM pystyi tutkimaan käyttökustannusten välisiä riippuvuuksia (4 eri objektifunktiota)
• Kaikkiaan laskettiin 10 PO ratkaisua • Kokeiltiin IND-NIMBUkSen tarjoamia eri
(globaaleja) yksitavoiteoptimoijia • Paras kompromissi antoi selvästi paremmat arvot
kolmelle objektifunktiolle (11, 15 and 45%) ja vain vähän huonommat arvot muille kahdelle (13 and 7%) verrattuna insinööritietoon
• Selkein parannus saatiin kemikaalien kulutuksessa
2. Toiminta-asetusten optimointi
• J. Hakanen, K. Sahlstedt & K. Miettinen, Wastewater Treatment Plant Design and Operation under Multiple Conflicting Criteria, Submitted to Environmental Modelling & Software