Desarrollo de control predictivo basado en redes neuronales para un proceso de digestión anaeróbica

Abstract

El presente trabajo aborda el desarrollo e implementación de una estrategia de control predictivo basada en redes neuronales, aplicada a un proceso de digestión anaeróbica (DA). Para ello, se considera inicialmente un esquema de control compuesto por un filtro de Kalman extendido (EKF) y un controlador predictivo no lineal (NMPC), basado en un modelo simplificado del proceso de DA. Una vez validado este esquema de control, el controlador NMPC se empleó para generar un conjunto amplio de datos bajo distintas condiciones de operación, con el objetivo de capturar la política de control óptima implícita en el solucionador. Estos datos fueron posteriormente utilizados para entrenar una red neuronal profunda con funciones de activación ReLU, destinada a aproximar el comportamiento del controlador NMPC. Tras el proceso de entrenamiento, la red neuronal fue integrada al esquema de control en sustitución del controlador NMPC, obteniéndose un desempeño global comparable al del controlador previamente implementado, junto con una reducción de casi 50 veces en el tiempo de cálculo de la salida de control óptima respecto del esquema NMPC original. Esta mejora se debe a que la estrategia propuesta elimina la necesidad de resolver problemas de optimización en línea durante la operación del sistema. En consecuencia, este trabajo contribuye al desarrollo de estrategias de control basadas en redes neuronales para procesos químicos no lineales, proporcionando una alternativa factible y computacionalmente eficiente para la maximización de la producción de biogás.

This work addresses the development and implementation of a neural network-based predictive control strategy for an anaerobic digestion (AD) process. To this end, a control scheme composed of an Extended Kalman Filter (EKF) and a Nonlinear Model Predictive Controller (NMPC), based on a simplified AD process model, is initially considered. Once the control scheme was validated, the NMPC controller was used to generate a comprehensive dataset under different operating conditions in order to capture the optimal control policy implicitly encoded in the optimization solver. This dataset was subsequently employed to train a deep neural network with ReLU activation functions, aiming to approximate the behavior of the NMPC controller. After the training process, the neural network was integrated into the control scheme as a replacement for the NMPC controller. The proposed controller achieved a performance comparable to that of the original NMPC-based strategy while reducing the computation time required to determine the optimal control action by nearly a factor of 50. This improvement was achieved by eliminating the need to solve online optimization problems during system operation. Consequently, this work contributes to the development of neural network-based control strategies for nonlinear chemical processes, providing a practical and computationally efficient alternative for maximizing biogas production.