Ein Algorithmus zur Bestimmung der Stichprobengrößen für die Optimierung mit künstlichen neuronalen Netzwerken

Dieser Artikel präsentiert einen Algorithmus, der entwickelt wurde, um die geeignete Stichprobengröße zur Konstruktion genauer künstlicher neuronaler Netzwerke als Surrogatmodelle in Optimierungsproblemen zu bestimmen. Im Algorithmus werden zwei Methoden zur Modellevaluation – Kreuzvalidierung und/oder Bootstrapping – verwendet, um die Leistung verschiedener Netzwerke zu schätzen, die mit unterschiedlichen Stichprobengrößen konstruiert wurden. Die Optimierung eines CO₂-Erfassungsprozesses mit wässrigen Aminen wird als Fallstudie verwendet, um die Anwendung des Algorithmus zu veranschaulichen. Die Ausgabe des Algorithmus – das Netzwerk, das unter Verwendung der geeigneten Stichprobengröße konstruiert wurde – wird in einem Prozesssynthese-Optimierungsproblem verwendet, um dessen Genauigkeit zu testen. Die Ergebnisse zeigen, dass die Methode zur Modellevaluation erfolgreich ist, um die allgemeinen Trends des zugrunde liegenden Modells zu identifizieren und dass der Wert der Zielfunktion der optimalen Lösung, die mit dem Surrogatmodell berechnet wurde, innerhalb von 1 % des tatsächlichen Wertes liegt. © 2012 American Institute of Chemical Engineers AIChE J, 59: 805–812, 2013