Buchumschlag

Optimizing Operation Recipes with Reinforcement Learning for Safe and Interpretable Control of Chemical Processes

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Brandner, Dean, Lucia, Sergio
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Reinforced Model Predictive Control via Trust-Region Quasi-Newton Policy Optimization
von: Brandner, Dean, et al.
Veröffentlicht: (2024)

Computationally efficient Gauss-Newton reinforcement learning for model predictive control
von: Brandner, Dean, et al.
Veröffentlicht: (2025)

Quasi-Newton Compatible Actor-Critic for Deterministic Policies
von: Kordabad, Arash Bahari, et al.
Veröffentlicht: (2025)

Model-free Reinforcement Learning for Model-based Control: Towards Safe, Interpretable and Sample-efficient Agents
von: Banker, Thomas, et al.
Veröffentlicht: (2025)

Offline Guarded Safe Reinforcement Learning for Medical Treatment Optimization Strategies
von: Yan, Runze, et al.
Veröffentlicht: (2025)

A Safe Reinforcement Learning Algorithm for Supervisory Control of Power Plants
von: Sun, Yixuan, et al.
Veröffentlicht: (2024)

Intersection of Reinforcement Learning and Bayesian Optimization for Intelligent Control of Industrial Processes: A Safe MPC-based DPG using Multi-Objective BO
von: Esfahani, Hossein Nejatbakhsh, et al.
Veröffentlicht: (2025)

Risk-Aware Safe Reinforcement Learning for Control of Stochastic Linear Systems
von: Esmaeili, Babak, et al.
Veröffentlicht: (2025)

Reinforcement Learning-based Control via Y-wise Affine Neural Networks: Comparative Case Studies for Chemical Processes
von: Braniff, Austin, et al.
Veröffentlicht: (2026)

Safe Reinforcement Learning-Based Vibration Control: Overcoming Training Risks with LQR Guidance
von: Thorat, Rohan Vitthal, et al.
Veröffentlicht: (2025)

Constrained Reinforcement Learning for Safe Heat Pump Control
von: Zhang, Baohe, et al.
Veröffentlicht: (2024)

Feasible Policy Iteration for Safe Reinforcement Learning
von: Yang, Yujie, et al.
Veröffentlicht: (2023)

Safe and Robust Reinforcement Learning: Principles and Practice
von: Yamagata, Taku, et al.
Veröffentlicht: (2024)

LexiSafe: Offline Safe Reinforcement Learning with Lexicographic Safety-Reward Hierarchy
von: Yang, Hsin-Jung, et al.
Veröffentlicht: (2026)

Safe Online Control-Informed Learning
von: Zhou, Tianyu, et al.
Veröffentlicht: (2025)

Safe Learning-Based Optimization of Model Predictive Control: Application to Battery Fast-Charging
von: Hirt, Sebastian, et al.
Veröffentlicht: (2024)

Kernel-Based Safe Exploration in Deep Reinforcement Learning
von: Majumdar, Rupak, et al.
Veröffentlicht: (2026)

Safe Reinforcement Learning with Minimal Supervision
von: Quessy, Alexander, et al.
Veröffentlicht: (2025)

Finite-Sample-Based Reachability for Safe Control with Gaussian Process Dynamics
von: Prajapat, Manish, et al.
Veröffentlicht: (2025)

DeepSafeMPC: Deep Learning-Based Model Predictive Control for Safe Multi-Agent Reinforcement Learning
von: Wang, Xuefeng, et al.
Veröffentlicht: (2024)

Uniform Error Bounds for Gaussian Process Regression with Application to Safe Control
von: Lederer, Armin, et al.
Veröffentlicht: (2019)

Provable Traffic Rule Compliance in Safe Reinforcement Learning on the Open Sea
von: Krasowski, Hanna, et al.
Veröffentlicht: (2024)

Safe Multi-Agent Reinforcement Learning with Convergence to Generalized Nash Equilibrium
von: Li, Zeyang, et al.
Veröffentlicht: (2024)

Myopically Verifiable Probabilistic Certificates for Safe Control and Learning
von: Wang, Zhuoyuan, et al.
Veröffentlicht: (2024)

SINDy-RL: Interpretable and Efficient Model-Based Reinforcement Learning
von: Zolman, Nicholas, et al.
Veröffentlicht: (2024)

Trustworthy and Explainable Deep Reinforcement Learning for Safe and Energy-Efficient Process Control: A Use Case in Industrial Compressed Air Systems
von: Bezold, Vincent, et al.
Veröffentlicht: (2025)

Safe and Near-Optimal Control with Online Dynamics Learning
von: Prajapat, Manish, et al.
Veröffentlicht: (2025)

Foundations of Safe Online Reinforcement Learning in the Linear Quadratic Regulator: $\sqrt{T}$-Regret
von: Schiffer, Benjamin, et al.
Veröffentlicht: (2025)

Operator Models for Continuous-Time Offline Reinforcement Learning
von: Hoischen, Nicolas, et al.
Veröffentlicht: (2025)

Foundations of Safe Online Reinforcement Learning in the Linear Quadratic Regulator: Generalized Baselines
von: Schiffer, Benjamin, et al.
Veröffentlicht: (2024)

How Does the Lagrangian Guide Safe Reinforcement Learning through Diffusion Models?
von: Cheng, Xiaoyuan, et al.
Veröffentlicht: (2026)

Optimal Parameter Adaptation for Safety-Critical Control via Safe Barrier Bayesian Optimization
von: Wang, Shengbo, et al.
Veröffentlicht: (2025)

Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions
von: Castañeda, Fernando, et al.
Veröffentlicht: (2022)

Safe Gradient Flow for Bilevel Optimization
von: Sharifi, Sina, et al.
Veröffentlicht: (2025)

Proximal Reliability Optimization for Reinforcement Learning
von: Patwardhan, Narendra, et al.
Veröffentlicht: (2019)

Deep Reinforcement Learning with Enhanced PPO for Safe Mobile Robot Navigation
von: Taheri, Hamid, et al.
Veröffentlicht: (2024)

Privacy-Preserving Federated Learning Framework for Distributed Chemical Process Optimization
von: Pipattaratonchai, Teetat, et al.
Veröffentlicht: (2026)

Safely Learning Dynamical Systems
von: Ahmadi, Amir Ali, et al.
Veröffentlicht: (2023)

Optimization of the Model Predictive Control Meta-Parameters Through Reinforcement Learning
von: Bøhn, Eivind, et al.
Veröffentlicht: (2021)

Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations
von: Lindemann, Lars, et al.
Veröffentlicht: (2021)