검색 상세

3-Dimensional Real-time Monitoring in a Bioreactor with Multi-physics Simulations and DeepONet (Deep Operator Network)

[멀티피직스 해석 및 DeepONet (Deep Operator Network)을 활용한 반응기 내 3차원 실시간 모니터링]

  • 임영욱 (Youngwook Lim, 서강대학교 일반대학원)

초록 (요약문)

The absorption and dissolution of gases in liquids are critical phenomena underpinning numerous chemical and biological processes, such as syngas fermentation, wastewater treatment, and fermentation. Efficient gas-liquid mass transfer, particularly in stirred tanks equipped with multiple impellers, is essential for ensuring sufficient dissolved gas availability for reactions. Despite advancements in experimental techniques and computational approaches, challenges persist in accurately mapping the spatial distribution of dissolved gases, particularly under the influence of convective flow and turbulent transport. Traditional models, such as the Higbie penetration and Danckwerts surface renewal models, and computational fluid dynamics (CFD) simulations coupled with population balance modeling (PBM), provide valuable insights but often fail to account for spatial variability and real-time prediction. In this study, we propose a novel real-time monitoring framework that integrates multi- physics CFD simulations with DeepONet, a cutting-edge operator-based machine learning approach. Unlike conventional deep neural networks, DeepONet approximates solution operators, enabling generalization across varying input parameters without the need for repeated training. This feature, coupled with its ability to accurately predict high-dimensional data, makes it uniquely suited for modeling multi-instance scenarios such as dissolved gas distributions in stirred tanks. By leveraging the predictive power of DeepONet, we demonstrate the potential for real- time, three-dimensional evaluation of dissolved gas concentrations, addressing limitations in traditional methods. The proposed framework offers transformative capabilities for applications in microbial bioreactors, syngas fermentation, and other industrial processes, enabling enhanced process efficiency and control.

more

초록 (요약문)

기체의 흡수와 용해는 합성가스 발효, 폐수 처리, 발효와 같은 다양한 화학 및 생물학적 과정의 핵심적인 현상이다. 임펠러가 장착된 교반 탱크는 효율적인 기체-액체 질량 전달을 통해 반응에 필요한 용존 기체를 충분히 공급하기 위해 필수적이다. 실험 기법과 계산 방법이 발전했음에도 불구하고, 대류 흐름과 난류 수송의 영향을 받는 용존 기체의 공간적 분포를 정확히 매핑하는 데 여전히 어려움이 존재한다. Higbie penetration 모델과 Danckwerts surface renewal 모델과 같은 전통적인 모델 및 인구 균형 모델링(PBM)과 결합된 전산유체역학(CFD) 시뮬레이션은 유용한 통찰을 제공하지만, 공간적 변동성과 실시간 예측을 충분히 반영하지 못한다. 본 연구에서는 다중 물리 CFD 시뮬레이션과 연산자 기반 머신러닝 기법인 DeepONet 을 통합한 새로운 실시간 모니터링 프레임워크를 제안한다. DeepONet 은 기존 심층 신경망(DNN)과 달리, 반복 학습 없이 다양한 입력 매개변수에 대해 일반화가 가능하며, 용해 기체 분포와 같은 고차원 데이터를 정확히 예측하는 데 유리하다. 이를 통해 DeepONet 은 stirred tank 내 용존 기체 분포와 같은 multi-instance 시나리오 모델링에 적합하다. 제안된 프레임워크는 용존 기체 농도의 3 차원 실시간 평가를 가능하게 하며, 기존 방법의 한계를 보완한다. 본 연구는 미생물 반응기, 합성가스 발효 등 다양한 산업 공정에서 공정 효율성과 제어를 향상시킬 수 있는 혁신적 기술을 제시한다.

more

목차

I. Introduction 1
II. Multi-physics computation fluid dynamics simulations 5
A. Model description 5
II.A.1 Eulerian multiphase modeling 5
II.A.2 Turbulence modeling 7
II.A.3 Bubble population balance model (PBM) 9
II.A.4 Bubble population balance model (PBM) 12
B. Methodology 14
C. Results and discussions 19
III. Deep operator network (DeepONet) 31
A. Detection points definition 31
B. Deep operator network (DeepONet) 33
C. DeepONet training using detection points and multi-physics simulations depending on bioreactor scales 38
D. DeepONet training using detection points and multi-physics simulations depending on operation conditions 47
IV. Validation 56
A. Multi-physics CFD simulations in an airlift reactor 56
B. Detection points definition 58
C. Results and discussions 61
D. Experiments 65
V. Prediction of particle distribution using discrete phase model (DPM) 69
A. Necessity for real-time monitoring of particle distribution in a bioreactor 69
B. Detection points definition 72
C. Results and discussions 75
VI. Conclusions 79
VII. Nomenclature 82
References 86

more
반출 Meta View 목록