presentation.tex - develop - Chaizee/chemical-process-surrogate-modeling

presentation.tex
307 строк14 KB
Chaizee
docs: add Beamer presentation with project figures
11 июл 2026, 22:32
11 июл 2026, 22:3230e9bee
\documentclass[aspectratio=169, UTF8]{beamer}

\usepackage[utf8]{inputenc}
\usepackage[russian]{babel}
\usepackage{amsmath, amssymb}
\usepackage{graphicx}
\usepackage{booktabs}
\usepackage{hyperref}

% --- Дизайн из newpres.tex ---
\usetheme{Boadilla}
\usecolortheme{default}

\definecolor{MainNavy}{RGB}{24, 43, 73}
\definecolor{AccentOrange}{RGB}{230, 92, 0}
\definecolor{LightBg}{RGB}{245, 247, 250}

\setbeamercolor{structure}{fg=MainNavy}
\setbeamercolor{titlelike}{parent=structure, fg=MainNavy}
\setbeamercolor{author}{fg=gray}
\setbeamercolor{date}{fg=gray}

\setbeamertemplate{items}[square]
\setbeamercolor{item}{fg=AccentOrange}
\setbeamercolor{subitem}{fg=MainNavy}

\setbeamercolor{block title}{fg=white, bg=MainNavy}
\setbeamercolor{block body}{bg=LightBg, fg=black}
\setbeamertemplate{blocks}[rounded][shadow=false]

\setbeamertemplate{footline}{
  \leavevmode%
  \hbox{%
  \begin{beamercolorbox}[wd=.333333\paperwidth,ht=2.25ex,dp=1ex,center]{author in head/foot}%
    \usebeamerfont{author in head/foot}\insertshortauthor
  \end{beamercolorbox}%
  \begin{beamercolorbox}[wd=.333333\paperwidth,ht=2.25ex,dp=1ex,center]{title in head/foot}%
    \usebeamerfont{title in head/foot}\insertshorttitle
  \end{beamercolorbox}%
  \begin{beamercolorbox}[wd=.333333\paperwidth,ht=2.25ex,dp=1ex,right]{date in head/foot}%
    \usebeamerfont{date in head/foot}\insertshortdate{}\hspace*{2em}
    \insertframenumber{} / \inserttotalframenumber\hspace*{2em}
  \end{beamercolorbox}}%
  \vskip0pt%
}
\setbeamertemplate{navigation symbols}{}

\title[Мета-модель ГФУ]{Разработка мета-модели установки ГФУ на основе MLP}
\subtitle{Исследовательская работа в рамках практики}
\author[Зюзин Д.]{Выполнил: Зюзин Дмитрий, ФИТ-241}
\date{2026}

\begin{document}

% --- Титульный ---
\begin{frame}
    \vspace{1cm}
    {\usebeamerfont{title}\usebeamercolor[fg]{title}\textbf{\inserttitle}}\par
    {\usebeamerfont{subtitle}\usebeamercolor[fg]{subtitle}\textcolor{AccentOrange}{\insertsubtitle}}\par
    \vspace{1.5cm}
    {\usebeamerfont{author}\insertauthor}\par
    \vspace{0.5cm}
    {\usebeamerfont{date}\insertdate}
\end{frame}

% --- Введение ---
\begin{frame}{Введение и актуальность}
    \begin{itemize}
        \item \textbf{Ректификация} --- ключевой и наиболее энергоёмкий процесс в нефтепереработке.
        \item \textbf{Проблема:} физические симуляции (DWSIM) точны, но требуют много времени.
        \item \textbf{Вызов:} многократный пересчёт режимов многоаппаратной схемы в реальном времени затруднён.
        \item \textcolor{AccentOrange}{\textbf{Решение:}} построение быстрой суррогатной модели (\textit{data-driven} подход).
    \end{itemize}
\end{frame}

% --- Цели ---
\begin{frame}{Цели и задачи исследования}
    \begin{block}{Основная цель}
        Разработка быстродействующей суррогатной мета-модели трёхколонной установки ГФУ с помощью MLP.
    \end{block}
    \vspace{0.3cm}
    \textbf{Ключевые этапы:}
    \begin{enumerate}
        \item Построение строгой термодинамической модели в \textbf{DWSIM}.
        \item Автоматизированная генерация датасета (\textbf{LHS}, параллельный расчёт).
        \item Обучение MLP на \textbf{PyTorch} с отдельными головами для $Q_*$ и чистот.
        \item Подбор гиперпараметров через \textbf{Optuna} и 5-fold кросс-валидацию.
        \item Исследование точности, скорости и влияния размера выборки.
    \end{enumerate}
\end{frame}

% --- Постановка ---
\begin{frame}{Постановка задачи}
    \begin{columns}[t]
        \begin{column}{0.48\textwidth}
            \textcolor{MainNavy}{\textbf{Входы (9)}}
            \begin{itemize}
                \item Для каждой из 3 колонн:
                \item $R_i$ --- флегмовое число
                \item $S_i$ --- спецификация кипятильника
                \item $P_i$ --- давление верха, бар
            \end{itemize}
        \end{column}
        \begin{column}{0.48\textwidth}
            \textcolor{AccentOrange}{\textbf{Выходы (9)}}
            \begin{itemize}
                \item $Q_{\mathrm{cond},i}$, $Q_{\mathrm{rebo},i}$, $i=1,2,3$
                \item $\mathrm{pur\_C3}$, $\mathrm{pur\_C4}$, $\mathrm{pur\_C5}$
            \end{itemize}
        \end{column}
    \end{columns}
    \vspace{0.4cm}
    \begin{block}{Строгая модель}
        DWSIM, Peng-Robinson, 3 последовательные ректификационные колонны.
    \end{block}
\end{frame}

% --- Данные ---
\begin{frame}{Моделирование в DWSIM и генерация данных}
    \begin{columns}[t]
        \begin{column}{0.48\textwidth}
            \textcolor{MainNavy}{\textbf{Конфигурация}}
            \begin{itemize}
                \item Flowsheet: \texttt{model.dwxmz}
                \item Пакет: \textbf{Peng-Robinson}
                \item Запрошено точек: \textbf{300} (LHS)
                \item Успешных расчётов: \textbf{213}
            \end{itemize}
        \end{column}
        \begin{column}{0.48\textwidth}
            \textcolor{MainNavy}{\textbf{Особенности сэмплинга}}
            \begin{itemize}
                \item Latin Hypercube по 9 параметрам
                \item Параллельная генерация (\texttt{multiprocessing})
                \item 40\% точек с уклоном в низкий $S_3$
                \item $\approx 96\%$ строк: $\mathrm{pur\_C5} > 0.999$
            \end{itemize}
        \end{column}
    \end{columns}
    \vspace{0.3cm}
    \begin{block}{Скрипт}
        \texttt{generate\_dataset.py} --- автоматизация через DWSIM Automation API.
    \end{block}
\end{frame}

% --- Архитектура ---
\begin{frame}{Архитектура суррогата MLP}
    \begin{itemize}
        \item \textbf{Backbone} + две головы: тепловые нагрузки и чистоты.
        \item Для чистот --- \texttt{sigmoid}; взвешенная функция потерь с акцентом на $\mathrm{pur\_C5}$.
        \item Разделение 80/20 (train/test), Optuna: 40 trial, 5-fold CV на train.
    \end{itemize}
    \vspace{0.2cm}
    \begin{table}
        \centering
        \small
        \begin{tabular}{lcc}
            \toprule
            \textcolor{MainNavy}{\textbf{Гиперпараметр}} & \textcolor{MainNavy}{\textbf{Значение}} & \textcolor{MainNavy}{\textbf{Комментарий}} \\
            \midrule
            Слои & $[254,\;244]$ & 2 скрытых слоя \\
            Dropout & 0.001 & подобрано Optuna \\
            Learning rate & 0.0027 & Adam \\
            Batch size & 32 & --- \\
            \bottomrule
        \end{tabular}
    \end{table}
\end{frame}

% --- Метрики ---
\begin{frame}{Метрики на тестовой выборке}
    \begin{columns}[c]
        \begin{column}{0.52\textwidth}
            \begin{table}
                \centering
                \scriptsize
                \begin{tabular}{lccc}
                    \toprule
                    \textbf{Выход} & \textbf{MAE} & \textbf{RMSE} & \textbf{$R^2$} \\
                    \midrule
                    $Q_{\mathrm{cond}1}$ & 3.19 & 4.07 & 0.994 \\
                    $Q_{\mathrm{rebo}1}$ & 3.56 & 4.35 & 0.991 \\
                    $Q_{\mathrm{cond}2}$ & 2.13 & 2.85 & 0.995 \\
                    $Q_{\mathrm{rebo}2}$ & 1.93 & 2.45 & 0.996 \\
                    $Q_{\mathrm{cond}3}$ & 2.55 & 3.07 & 0.994 \\
                    $Q_{\mathrm{rebo}3}$ & 2.26 & 2.72 & 0.994 \\
                    $\mathrm{pur\_C3}$ & 0.011 & 0.013 & 0.925 \\
                    $\mathrm{pur\_C4}$ & 0.017 & 0.026 & 0.949 \\
                    $\mathrm{pur\_C5}$ & 0.002 & 0.012 & $-0.025$ \\
                    \bottomrule
                \end{tabular}
            \end{table}
        \end{column}
        \begin{column}{0.46\textwidth}
            \includegraphics[width=\textwidth]{figures/metrics_r2.png}
        \end{column}
    \end{columns}
    \vspace{0.1cm}
    \textcolor{AccentOrange}{\textbf{Вывод:}} тепловые нагрузки предсказываются очень точно; для $\mathrm{pur\_C5}$ низкий $R^2$ при малом MAE.
\end{frame}

% --- Scatter ---
\begin{frame}{Прогноз vs факт}
    \includegraphics[width=0.98\textwidth]{figures/scatter.png}
    \vspace{0.1cm}
    \small
    Для $Q_*$ --- высокая точность; $\mathrm{pur\_C5}$ сосредоточен около 1.0 (наихудший: факт $\approx 0.924$, прогноз $\approx 0.999$).
\end{frame}

% --- Ошибки ---
\begin{frame}{Анализ ошибок}
    \begin{columns}[t]
        \begin{column}{0.52\textwidth}
            \textbf{Где точность падает?}
            \begin{itemize}
                \item Наибольшие ошибки $\mathrm{pur\_C5}$ --- в редких режимах с чистотой $< 1.0$.
                \item Ошибка заметнее при малых $S_3$ (3-я колонна).
                \item Для $Q_*$ ошибки равномерно малы на всём test.
            \end{itemize}
        \end{column}
        \begin{column}{0.46\textwidth}
            \includegraphics[width=\textwidth]{figures/error_pur_c5.png}
        \end{column}
    \end{columns}
\end{frame}

% --- Размер датасета ---
\begin{frame}{Влияние размера обучающей выборки}
    \begin{columns}[c]
        \begin{column}{0.48\textwidth}
            \begin{table}
                \centering
                \scriptsize
                \begin{tabular}{lcccc}
                    \toprule
                    \textbf{MAE} & \textbf{50} & \textbf{100} & \textbf{150} & \textbf{170} \\
                    \midrule
                    $Q_{\mathrm{cond}1}$ & 4.56 & 4.28 & 3.51 & 2.97 \\
                    $\mathrm{pur\_C3}$ & 0.022 & 0.025 & 0.018 & 0.017 \\
                    $\mathrm{pur\_C4}$ & 0.041 & 0.033 & 0.033 & 0.026 \\
                    $\mathrm{pur\_C5}$ & 0.007 & 0.010 & 0.010 & 0.008 \\
                    \bottomrule
                \end{tabular}
            \end{table}
        \end{column}
        \begin{column}{0.50\textwidth}
            \includegraphics[width=\textwidth]{figures/dataset_size.png}
        \end{column}
    \end{columns}
    \vspace{0.1cm}
    \small $Q_*$ быстро улучшаются; для чистот важны объём и \textbf{разнообразие режимов}.
\end{frame}

% --- Время ---
\begin{frame}{Сравнение времени расчёта}
    \begin{table}
        \centering
        \begin{tabular}{lc}
            \toprule
            \textbf{Этап} & \textbf{Время, с} \\
            \midrule
            DWSIM, 1 точка & 1.36 \\
            MLP inference, 1 точка & $7.7 \times 10^{-5}$ \\
            \bottomrule
        \end{tabular}
    \end{table}
    \vspace{0.4cm}
    \begin{block}{Ускорение}
        Суррогат быстрее DWSIM примерно в \textbf{17\,800 раз} --- критично для задач многократного пересчёта и оптимизации.
    \end{block}
\end{frame}

% --- Выводы исследования ---
\begin{frame}{Исследовательские выводы}
    \begin{enumerate}
        \item \textbf{Падение точности:} редкие режимы с низкой $\mathrm{pur\_C5}$ и малым $S_3$.
        \item \textbf{Худший выход:} $\mathrm{pur\_C5}$ по $R^2$; причина --- $\sim$96\% значений близки к 1.0.
        \item \textbf{Размер данных:} MAE по $Q_{\mathrm{cond}1}$ снижается с 4.56 до 2.97 при росте train.
        \item \textbf{Применимость:} MLP подходит как суррогат для $Q_*$ и типовых режимов по чистотам.
    \end{enumerate}
\end{frame}

% --- Заключение ---
\begin{frame}{Заключение и артефакты}
    \begin{itemize}
        \item Создан воспроизводимый пайплайн: генерация данных $\rightarrow$ обучение $\rightarrow$ оценка.
        \item Доказана применимость MLP для ускорения расчётов ГФУ относительно DWSIM.
        \item Для улучшения $\mathrm{pur\_C5}$ нужен более разнообразный датасет в редких режимах.
    \end{itemize}
    \vspace{0.3cm}
    \begin{block}{Репозиторий проекта}
        Ноутбук, скрипты, веса модели и метрики: \\
        \vspace{0.1cm}
        \textcolor{AccentOrange}{\url{https://gitverse.ru/Chaizee/chemical-process-surrogate-modeling}}
    \end{block}
\end{frame}

% --- Финал ---
\begin{frame}
    \vspace{2cm}
    \begin{center}
        {\Large \textcolor{MainNavy}{\textbf{Спасибо за внимание!}}} \\[0.8cm]
        {\normalsize Готов ответить на вопросы.}
    \end{center}
\end{frame}

\end{document}