Deep reinforcement learning enables conceptual design of processes for separating azeotropic mixtures without prior knowledge

Process synthesis in chemical engineering is a complex planning problem due to vast search spaces, continuous parameters and the need for generalization. Deep reinforcement learning agents, trained without prior knowledge, have shown to outperform humans in various complex planning problems in recen...

Celý popis

Podrobná bibliografie

Vydáno v:	Computers & chemical engineering Ročník 194; s. 108975
Hlavní autoři:	Göttl, Quirin, Pirnay, Jonathan, Burger, Jakob, Grimm, Dominik G.
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Elsevier Ltd 01.03.2025
Témata:	Automated process synthesis Conceptual design Process simulation Reinforcement learning Automated process synthesis Conceptual design Process simulation Reinforcement learning
ISSN:	0098-1354
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!