Konfiguration¶

Parameter und Grenzen¶

create_default_bounds() liefert Grenzen für 41 ADM1-Parameter. Eine soft-Grenze ist ein gewichteter Strafterm, den der Optimierer überschreiten darf, eine hard-Grenze macht den Kandidaten unzulässig.

Parameter	Bedeutung	Einheit	Grenzen	Standard	Typ
`k_dis`	Desintegrationsrate	1/d	0,1 - 1,0	0,5	soft
`k_hyd_ch`	Hydrolyse, Kohlenhydrate	1/d	1,0 - 15,0	4,0	soft
`k_hyd_pr`	Hydrolyse, Proteine	1/d	1,0 - 15,0	4,0	soft
`k_hyd_li`	Hydrolyse, Fette	1/d	1,0 - 15,0	4,0	soft
`k_m_ac`	Max. Aufnahmerate, Acetat	1/d	4,0 - 12,0	8,0	soft
`Y_su`	Ertrag, Zuckerverwerter	kg CSB/kg CSB	0,05 - 0,15	0,1	hard

from pyadm1ode_calibration import create_default_bounds

bounds = create_default_bounds()
print(bounds.get_bounds("k_dis"))

Welche Parameter in einen Lauf gehören, beantworten die Daten, nicht der Modellierer. calibrate(..., check_identifiability=True) prüft den Satz, bevor der Optimierer startet, und warnt, wenn die Daten ihn nicht auflösen. Kosten: 2 * len(parameters) + 1 Simulationen. Siehe Kalibrierung.

Engere Bereiche pro Lauf übergeben, statt die Standardwerte zu ändern:

result = calibrator.calibrate(
    measurements=measurements,
    parameters=["k_dis", "k_hyd_ch"],
    bounds={"k_dis": (0.3, 0.8), "k_hyd_ch": (2.0, 8.0)},
)

Optimierer¶

Auswahl über method=. Bindestriche, Leerzeichen und Groß-/Kleinschreibung werden vereinheitlicht, "Nelder-Mead" und "nelder_mead" sind also dasselbe.

Name	Typ	Einsatz
`differential_evolution`, `de`	global	Initialkalibrierung (Standard)
`particle_swarm`, `pso`	global	Alternative zu DE
`nelder_mead`, `nm`	lokal	Online-Rekalibrierung (dort Standard)
`powell`	lokal	ableitungsfrei, ohne Grenzen nutzbar
`l_bfgs_b`	Gradient	glatte Zielfunktionen
`slsqp`	Gradient	glatte Zielfunktionen mit Nebenbedingungen

Wichtiger als die Wahl ist die Dimensionierung: Differential Evolution rechnet population_size x len(parameters) Simulationen je Generation. Mit drei Parametern, population_size=10 und max_iterations=50 waren das 1217 Simulationen und 56 Minuten, also grob drei Sekunden je simuliertem Zeitfenster.

Zielgrößen¶

objectives = ["Q_ch4", "pH", "VFA"]
weights = {"Q_ch4": 0.7, "pH": 0.2, "VFA": 0.1}

Die Gewichte werden intern normiert. Ein in den Daten fehlender Kanal wird übersprungen, nicht als null bewertet.

Datenquellen¶

Ein Anlagenschema deklariert Quellen und Kanäle in einer YAML-Datei. configs/plants/_template.yaml kopieren und anpassen:

from pyadm1ode_calibration.io.loaders import MeasurementBuilder, PlantSchema

schema = PlantSchema.from_yaml("configs/plants/my_plant.yaml")
measurements = MeasurementBuilder(schema).build(variables=["Q_gas", "T_digester"])

Zeitlich veränderliche Fütterung¶

Eine Kalibrierung fasst die gesamte Substratreihe eines Fensters standardmäßig zu ihrem Mittelwert zusammen und hält ihn konstant. Das ist günstig und für eine Aufzeichnung bei gleichbleibender Last richtig, verbirgt aber jeden Lastsprung und jeden Substratwechsel, und genau die machen die Kinetiken identifizierbar. Mit time_varying_feed=True wird die Fütterung schrittweise angelegt:

calibrator = InitialCalibrator(plant, time_varying_feed=True)

Das kostet grob 20 % mehr Laufzeit und steht auf InitialCalibrator, OnlineCalibrator, CalibrationValidator und PlantSimulator zur Verfügung. Ein Fenster mit tatsächlich konstanter Fütterung nimmt ohnehin den günstigen Weg.

Datenbank¶

from pyadm1ode_calibration import Database

db = Database(connection_string="postgresql://user:pw@localhost:5432/biogas")
db = Database.from_env()   # liest DB_HOST, DB_PORT, DB_NAME, DB_USER, DB_PASSWORD

Zeitstempel werden als naive UTC gespeichert. Für eigene Datensätze pyadm1ode_calibration.timeutils.utc_now() verwenden.