Förbättrade delignifieringsmodeller genom AI

Syfte och mål

Syftet med projektet är att utveckla förbättrade metoder och kinetikmodeller för att studera och designa sulfatdelignifiering genom att använda storskaliga processdata för utveckling av AI-drivna modeller. Specifikt syftar projektet till: - Förbättrad experimentdesing genom AI-identifiering av kritiska parametrar. - Utveckling av AI-metoder för: black-box end-to-end framtagning av modeller baserade på experimentdata & gray-box modeller som kombinerar befintligt kunskap med data-baserad inlärning, med målet att skapa white-box modeller direkt från experimentdata.

Förväntade effekter och resultat

Projektet förväntas: - Identifiera kritiska experimentparametrar under sulfatmassatillverkning genom AI-behandling av storskaliga processdata. - Leverera AI-metoder för utveckling av datadrivna kinetikmodeller och modeller som kombinerar befintlig kunskap med datadriven inlärning Implementering av dessa resultat kommer direkt att bidra till förbättrad processkontroll- och design, samt förbättrade forskningsmetoder som kommer att leda till förbättrad resurseffektivitet, processflexibilitet och -hållbarhet.

Planerat upplägg och genomförande

Projektet kommer att vara strukturerat i två work-packages (två postdocprojekt) som kommer att angripa frågeställningen från två olika håll: AI och delignifierngsteknologi. AI workpackage (WP1, på Linköpings Universitet) kommer att fokusera på utveckling av rena datadrivna modeller, medan delignifieringsteknologipostdoc (WP2, Chalmers) kommer att jobba med att gradvis förbättra befintliga analytiska modeller med datadrivna komponenter. De här två spåren kommer mot slutet av projektet att konvergera mot gemensamt arbete mot att utveckla en förbättrad white-box modell.