Improving Trust in Dynamic Optimization on Surrogates by Using Classifiers
- Dynamic real time optimization of chemical processes requires fast models. So, data-driven surrogate models are often used. However, these models do not contain information on the feasible region of the underlying rigorous model. Therefore, the data-driven regressor is combined with an additional classification model to prevent faulty extrapolations.
| Autor*innen: | Torben TalisORCiD |
|---|---|
| Koautor*innen: | Erik EscheORCiD |
| Dokumenttyp: | Posterpräsentation |
| Veröffentlichungsform: | Präsentation |
| Sprache: | Englisch |
| Jahr der Erstveröffentlichung: | 2025 |
| Organisationseinheit der BAM: | 2 Prozess- und Anlagensicherheit |
| 2 Prozess- und Anlagensicherheit / 2.2 Prozesssimulation | |
| DDC-Klassifikation: | Technik, Medizin, angewandte Wissenschaften / Chemische Verfahrenstechnik / Chemische Verfahrenstechnik |
| Freie Schlagwörter: | Classification; Dynamic optimization; Machine learning |
| Themenfelder/Aktivitätsfelder der BAM: | Chemie und Prozesstechnik |
| Chemie und Prozesstechnik / Anlagensicherheit und Prozesssimulation | |
| Veranstaltung: | BAM Symposium on Artificial Intelligence and Machine Learning |
| Veranstaltungsort: | Berlin, Germany |
| Beginndatum der Veranstaltung: | 06.11.2025 |
| Enddatum der Veranstaltung: | 06.11.2025 |
| Verfügbarkeit des Dokuments: | Datei im Netzwerk der BAM verfügbar ("Closed Access") |
| Datum der Freischaltung: | 13.01.2026 |
| Referierte Publikation: | Nein |

