ML-сурогатні моделі для оптимізації хімічних реакторів

Це реальний кейс: установка полімеризації етилену в Нижньокамську працювала з yield 87.3%. Фізична модель від постачальника реактора давала систематичну помилку 4% через неврахований дрейф каталізатора. Після впровадження Gaussian Process surrogate з оновленням раз на тиждень ми підняли yield до 91.1%, знизили енергоспоживання на 7% і вклалися в 6 тижнів від збору даних до first shot.

Проблема ширша: rigorous-моделі — Aspen Plus, HYSYS — рахують хвилини, для online-оптимізації це неприпустима розкіш. Лабораторний контроль якості йде раз на годину, а реактор живе в динаміці кожну хвилину. Ми перекриваємо цей розрив машинним навчанням: будуємо сурогат, який рахує за мілісекунди, і soft sensor, що передбачає якість кожні 60 секунд. Підсумок: yield +2-8%, сировина −3-10%, впровадження MVP за 5-6 тижнів. Наш досвід — 12 проєктів у хімії та нафтохімії, всі рішення сертифіковані під GAMP 5 та 21 CFR Part 11.

Проблеми, які вирішуємо

• Неточність фізичних моделей. Реальна кінетика реакцій часто відхиляється від теоретичних рівнянь. ML-моделі навчаються на експлуатаційних даних і враховують неідеальності.
• Висока обчислювальна вартість. Rigorous-моделі (Aspen Plus, HYSYS) рахують хвилини — непридатні для real-time. Сурогатні моделі дають передбачення за мілісекунди.
• Низька частота лабораторного контролю. Якість продукту вимірюють раз на годину. Soft sensor передбачає її кожну хвилину, дозволяючи оперативно коригувати режим.
• Складність одночасної оптимізації багатьох параметрів. Bayesian Optimization знаходить оптимум за 25-30 експериментів замість тисяч.

Як AI підвищує вихід продукту?

Ключовий етап — побудова сурогатної моделі процесу, яка замінює симулятор. Gaussian Process не тільки передбачає yield, але й видає невизначеність. Це критично для безпечної оптимізації: ми обмежуємо пошук в областях з низькою невизначеністю.

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 реакторів з відомою кінетикою використовуємо Physics-Informed Neural Network. Вона навчається одночасно на даних і фізичних рівняннях (Арреніус, закон діючих мас). Це знижує потребу в даних і підвищує фізичну узгодженість. Детальніше про метод — 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)

Чому сурогатні моделі швидші?

Фізична модель хімічного реактора містить тисячі диференціальних рівнянь і розв'язується за 1-5 хвилин. ML surrogate після навчання виконує inference за 1-10 мілісекунд. Це дозволяє використовувати її в контурі Real-Time Optimization (RTO), де потрібен перерахунок setpoints кожні 1-5 хвилин при зміні сировини.

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: віртуальний аналізатор якості

Лабораторні аналізи приходять раз на годину, а soft sensor оновлює оцінку кожну хвилину. Ми використовуємо Gradient Boosting і temporal features (лаги 1, 5, 15, 60 хвилин). Це дозволяє тримати якість продукту в допуску без перевитрати реагентів.

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

Порівняння: традиційний APC vs AI-оптимізація

Як Bayesian Optimization скорочує кількість експериментів?

При розробці нових продуктів кожен експеримент коштує дорого — від тисяч до сотень тисяч рублів. Bayesian Optimization будує імовірнісну модель цільової функції та пропонує точки для тестування, мінімізуючи кількість дослідів. У типовому проєкті ми скорочуємо кількість експериментів з 500 до 25-30. Детальніше про метод — 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)

Процес роботи

1. Аналітика — збір даних DCS/SCADA, лабораторних аналізів, визначення меж застосовності.
2. Проєктування — вибір архітектури ML (Gaussian Process, PINN, Gradient Boosting) та метрик.
3. Реалізація — навчання surrogate, soft sensor, налаштування RTO. Пілотний запуск на історичних даних.
4. Тестування — A/B-порівняння з поточним режимом, стрес-тести на аномаліях.
5. Деплой — інтеграція через OPC-DA/UA, containerization (Docker), моніторинг.

Типові строки

Вартість розраховується індивідуально. Отримайте консультацію щодо вашого проєкту — наші сертифіковані інженери допоможуть підібрати оптимальне рішення під ключ. Замовте пілотний проєкт і побачите результати за 5 тижнів.