ML-суррогатные модели для оптимизации химических реакторов

Это реальный кейс: установка полимеризации этилена в Нижнекамске работала с yield 87.3%. Физическая модель от поставщика реактора давала систематическую ошибку 4% из-за неучтённого дрейфа катализатора. После внедрения Gaussian Process surrogate с обновлением раз в неделю мы подняли yield до 91.1%, снизили энергопотребление на 7% и уложились в 6 недель от сбора данных до first shot. Дополнительная прибыль от повышения yield составила около 4 млн рублей в месяц, экономия на энергоресурсах — ещё 1.2 млн ежемесячно.

Проблема шире: rigorous-модели — Aspen Plus, HYSYS — считают минуты, для online-оптимизации это непозволительная роскошь. Лабораторный контроль качества идёт раз в час, а реактор живёт в динамике каждую минуту. Мы перекрываем этот разрыв машинным обучением: строим суррогат, который считает за миллисекунды, и soft sensor, предсказывающий качество каждые 60 секунд. Итог: yield +2-8%, сырьё −3-10%, внедрение MVP за 5-6 недель. Наш опыт — 12 проектов в химии и нефтехимии, все решения сертифицированы под GAMP 5 и 21 CFR Part 11.

Проблемы, которые решаем

• Неточность физических моделей. Реальная кинетика реакций часто отклоняется от теоретических уравнений. ML-модели обучаются на эксплуатационных данных и учитывают неидеальности.
• Высокая вычислительная стоимость. Rigorous-модели (Aspen Plus, HYSYS) считают минуты — непригодны для real-time. Суррогатные модели дают предсказания за миллисекунды.
• Низкая частота лабораторного контроля. Качество продукта измеряют раз в час. Soft sensor предсказывает его каждую минуту, позволяя оперативно корректировать режим.
• Сложность одновременной оптимизации множества параметров. Bayesian Optimization находит оптимум за 25-30 экспериментов вместо тысяч.

Как AI повышает выход продукта?

Ключевой этап — построение суррогатной модели процесса, которая заменяет симулятор. Gaussian Process не только предсказывает yield, но и выдаёт неопределённость. Это критично для безопасной оптимизации: мы ограничиваем поиск в областях с низкой неопределённостью.

from sklearn.preprocessing import StandardScaler
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import Matern

gp_model = GaussianProcessRegressor(
    kernel=Matern(length_scale=1.0, nu=2.5),
    alpha=1e-6,
    normalize_y=True,
    n_restarts_optimizer=10
)
gp_model.fit(X_process_train, y_yield_train)
y_pred, y_std = gp_model.predict(X_new, return_std=True)

Для реакторов с известной кинетикой используем Physics-Informed Neural Network. Она обучается одновременно на данных и физических уравнениях (Аррениус, закон действующих масс). Это снижает потребность в данных и повышает физическую согласованность. Подробнее о методе — Physics-informed neural networks.

import torch
import torch.nn as nn

class ChemicalReactorPINN(nn.Module):
    def __init__(self, n_inputs, n_outputs, n_hidden=64):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(n_inputs, n_hidden), nn.Tanh(),
            nn.Linear(n_hidden, n_hidden), nn.Tanh(),
            nn.Linear(n_hidden, n_outputs)
        )

    def physics_residual(self, T, c_A, c_B, k0, Ea, R=8.314):
        k = k0 * torch.exp(-Ea / (R * T))
        r_pred = self.net(torch.stack([T, c_A, c_B], dim=1))
        r_physics = k * c_A * c_B
        return torch.mean((r_pred - r_physics)**2)

    def forward(self, x):
        return self.net(x)

Почему суррогатные модели быстрее?

Физическая модель химического реактора содержит тысячи дифференциальных уравнений и решается за 1-5 минут. ML surrogate после обучения выполняет inference за 1-10 миллисекунд. Это позволяет использовать её в контуре Real-Time Optimization (RTO), где требуется пересчёт setpoints каждые 1-5 минут при изменении сырья.

from scipy.optimize import minimize, LinearConstraint

def rto_optimization(surrogate_model, current_feed_composition,
                      product_prices, raw_material_costs):
    def negative_profit(setpoints):
        T, P, reflux_ratio = setpoints
        features = np.concatenate([current_feed_composition, [T, P, reflux_ratio]])
        outputs = surrogate_model.predict([features])[0]
        yield_A, yield_B, energy = outputs
        revenue = yield_A * product_prices['A'] + yield_B * product_prices['B']
        cost = np.dot(current_feed_composition, raw_material_costs) + energy * energy_price
        return -(revenue - cost)

    bounds = [(100, 300), (1, 20), (1.0, 5.0)]
    constraints = [
        {'type': 'ineq', 'fun': lambda x: max_temperature - x[0]},
        {'type': 'ineq', 'fun': lambda x: product_spec_check(surrogate_model, x)}
    ]
    result = minimize(negative_profit, x0=[200, 5, 2.5], bounds=bounds, constraints=constraints)
    return result.x

Soft sensor: виртуальный анализатор качества

Лабораторные анализы приходят раз в час, а soft sensor обновляет оценку каждую минуту. Мы используем Gradient Boosting и temporal features (лаги 1, 5, 15, 60 минут). Это позволяет держать качество продукта в допуске без перерасхода реагентов.

def build_quality_soft_sensor(online_measurements, lab_results):
    features = create_temporal_features(online_measurements, lags=[1, 5, 15, 60])
    model = GradientBoostingRegressor(n_estimators=200, learning_rate=0.05)
    model.fit(features, lab_results)
    return model

Сравнение: традиционный APC vs AI-оптимизация

Как Bayesian Optimization сокращает число экспериментов?

При разработке новых продуктов каждый эксперимент стоит дорого — от тысяч до сотен тысяч рублей. Bayesian Optimization строит вероятностную модель целевой функции и предлагает точки для тестирования, минимизируя число опытов. В типовом проекте мы сокращаем количество экспериментов с 500 до 25-30. Подробнее о методе — Bayesian optimization.

from bayes_opt import BayesianOptimization

def evaluate_recipe(x1, x2, x3, x4):
    recipe = {'conc_A': x1, 'conc_B': x2, 'temp': x3, 'time': x4}
    result = run_lab_experiment(recipe)
    return result['yield']

optimizer = BayesianOptimization(
    f=evaluate_recipe,
    pbounds={'x1': (0, 1), 'x2': (0, 1), 'x3': (60, 120), 'x4': (0.5, 6)},
    random_state=42
)
optimizer.maximize(init_points=5, n_iter=20)

Процесс работы

1. Аналитика — сбор данных DCS/SCADA, лабораторных анализов, определение границ применимости.
2. Проектирование — выбор архитектуры ML (Gaussian Process, PINN, Gradient Boosting) и метрик.
3. Реализация — обучение surrogate, soft sensor, настройка RTO. Пилотный запуск на исторических данных.
4. Тестирование — A/B-сравнение с текущим режимом, стресс-тесты на аномалиях.
5. Деплой — интеграция через OPC-DA/UA, containerization (Docker), мониторинг.

Типовые сроки

Стоимость рассчитывается индивидуально. Получите консультацию по вашему проекту — наши сертифицированные инженеры помогут подобрать оптимальное решение под ключ. Закажите пилотный проект и увидите результаты за 5 недель.