Использование гибридного моделирования и машинного обучения для интеллектуального управления операциями в SABIC
SABIC внедрила гибридное моделирование на основе машинного обучения для управления реакторными блоками. Решение объединяет физические законы с нейросетями, обеспечивая высокую точность в реальном времени. Время обновления кинетических моделей сократилось вдвое.
Вот перевод и адаптация оригинального текста статьи на русский язык в развернутом, профессиональном стиле, с полным сохранением всех цифр, дат, имен и технических деталей.
Проблема и задача
Инженеры компании SABIC столкнулись с серьезными ограничениями при использовании классических строгих (детерминированных) моделей для симуляции реакторных блоков. Ключевая трудность заключалась в том, что из-за непостоянного (переменного) качества поступающего сырья и естественного дрейфа активности катализаторов традиционные физические модели, построенные на «первых принципах» (First-principles), очень быстро теряли свою актуальность и точность. Кроме того, расчет переходных режимов, возникающих, например, при смене марок полимеров или химикатов (grade transitions), занимал чрезвычайно много времени, что делало оперативное управление производством практически невозможным.
Софт и методы
Для решения описанных проблем инженеры SABIC применили технологию гибридного моделирования (Hybrid Models) на базе платформы Aspen Hybrid Models и среды Aspen AI Model Builder.
Суть гибридного подхода заключается в создании эмпирической модели с использованием методов машинного обучения (ML), в частности, нейросетей, которая обучается на исторических данных реального завода (Plant data). Однако, в отличие от «чистого» ML, результирующая модель не является «черным ящиком» — она жестко ограничена фундаментальными физическими законами: законами сохранения массы и энергии, термодинамики и гидродинамики (включая уравнения для расчета числа Рейнольдса). Это сочетание позволяет сохранить физическую достоверность модели, одновременно обеспечивая высокую скорость обучения и адаптацию к текущим условиям.
Решение и рабочий процесс
Реализация проекта включала три ключевых этапа:
- Сбор и консолидация данных: На первом этапе был организован сбор данных непосредственно с производственных мощностей предприятия с помощью решения AspenTech Inmation (Industrial Data Fabric). Этот инструмент позволил устранить проблему разрозненности данных (data silos), объединив исторические и оперативные данные в единое, доступное для анализа пространство.
- Загрузка в среду моделирования: После очистки и подготовки данные были загружены в промышленные симуляторы Aspen Plus или Aspen HYSYS v12+ (версия 12 и новее). Эти платформы послужили основой для создания физически-корректной оболочки модели.
- Обучение гибридной модели: Ключевым этапом стало обучение модели сниженного порядка (Reduced-Order Hybrid Model). В этой архитектуре искусственный интеллект (ИИ) используется для непрерывной «калибровки» кинетических коэффициентов в реальном времени. Модель автоматически подстраивается под текущий дрейф параметров, обновляя свои внутренние настройки без необходимости полного перестроения.
Результат и валидация
Внедрение гибридного моделирования позволило SABIC добиться кардинальных улучшений ключевых показателей:
- Скорость вычислений: Время прогона моделей было радикально сокращено. Это сделало возможным проведение анализа «что-если» (what-if analysis) в режиме, приближенном к реальному времени (near real-time), что ранее было недоступно.
- Точность прогнозов: Значительно повысилась точность предиктивных моделей (онлайн-анализаторов), прогнозирующих свойства конечных продуктов. Модели стали гораздо быстрее и точнее реагировать на изменения входных параметров.
- Скорость обновления: Обновление кинетических моделей реакторов теперь происходит в два раза быстрее по сравнению с традиционными подходами.
- Оптимизация производства: Ускорение и повышение точности моделирования позволило существенно оптимизировать процесс перехода между марками продукции (grade transitions). Смена рецептуры теперь происходит без потерь качества выпускаемого продукта и без снижения маржинальности производства, что напрямую повысило экономическую эффективность предприятий SABIC.
#AspenHybridModels #MachineLearning #ЦифровойДвойник #Оптимизация #SABIC