Robust Optimization for Petrochemical Network Design under Uncertainty
Notice bibliographique
Résumé
This paper addresses the strategic planning, design, and optimization of a network of petrochemical processes under uncertainty and risk considerations. In this work, we extend the deterministic model proposed by Al-Sharrah et al. [ Ind. Eng. Chem. Res. 2001, 40, 2103; Chem. Eng. Res. Des. 2006, 84, 1019] to account for parameter uncertainty in process yield, raw material cost, product prices, and lower product market demand. The problem was formulated as a two-stage stochastic mixed-integer nonlinear programming model (MINLP). Risk was accounted for in terms of deviation in both projected benefits in the first stage variables and process yield and forecasted demand in terms of the recourse variables. For each term, a different scaling factor was used to analyze the sensitivity of the petrochemical network due to variations of each component. The study showed that the final petrochemical network bears more sensitivity to variations in product demand and process yields for scaling parameters values that maintain the final petrochemical structure obtained form the stochastic model. The concept of expected value of perfect information (EVPI) and value of the stochastic solution (VSS) are also investigated to numerically illustrate the value of including the randomness of the different model parameters. Modeling uncertainty in the process parameters provided a more robust analysis and practical perspective of this type of problem in the chemical industry.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».