ادغام هوش مصنوعی (AI) و یادگیری ماشینی (ML) به تکنیک های تعادل جمعی تغییر می کند که چگونه مهندسان و دانشمندان به تجزیه و تحلیل فرآیند، بهینه سازی و کنترل نزدیک می شوند، در حالی که اصول تعادل توده ای برای دهه ها بدون تغییر باقی مانده است، تزریق ابزار محاسباتی پیشرفته، قادر به ایجاد سطوح بی سابقه دقت، سرعت، و بینش است.این تکامل صرفاً افزایش نمی یابد - آن است، و به طور دقیق تر در حال تحول، تولید پایدار، و مهندسی شیمیایی، و مهندسی پایدار.

درک تکنیک های تعادل جمعی

در هسته، تعادل توده ای - که به عنوان تعادل مواد نیز شناخته می شود - کاربرد قانون حفاظت از توده است.این جریان مواد وارد، ترک، و جمع آوری در یک سیستم تعریف شده است.هر کیلوگرم ورودی باید برای خروجی، تجمع یا زیان حساب شود.این اصل اساسی است که طراحی، عیب یابی، عیب یابی، و انطباق قانونی در صنایع دارویی از طریق تصفیه فاضلاب تا فاضلاب.

روش های تعادل توده ای سنتی متکی بر جمع آوری داده های دستی، محاسبات گسترده و فرضیات ثابت دولت است. مهندسان نرخ جریان، ترکیبات و غلظت از ابزار ابزار ابزار ابزار ابزار ابزار ابزار ابزار دستی و نرم افزار را جمع آوری می کنند، در حالی که موثر برای فرآیندهای ساده، این رویکردها با سیستم های پویا، چندین جریان، متغیرهای غیر اندازه گیری و اندازه گیری بی معنی است.

محدودیت ها در عملیات در مقیاس بزرگ یا سریع در حال تغییر حاد می شوند.یک گیاه شیمیایی با صدها جریان فرایند ممکن است هفته ها برای آشتی داده های خود به صورت دستی نیاز داشته باشد. Inefficiens بدون توجه به زمانی که آنها را به زیان های قابل توجهی افزایش می دهد.گزارش های زیست محیطی خواستار حسابداری دقیق است که می تواند روش های دستی را فشار دهد.

نقش هوش مصنوعی و یادگیری ماشین

AI و ML سه قابلیت کلیدی برای تعادل توده ای ایجاد می کنند: شناخت الگو، پیش بینی و بهینه سازی در مقیاس. مدل های یادگیری ماشین می توانند هزاران نقطه داده را در ثانیه پردازش کنند، شناسایی همبستگی ها و ناهنجاری هایی که از تحلیلگران انسانی فرار می کنند، می توانند از داده های تاریخی تا پیش بینی رفتار آینده یاد بگیرند و می توانند شرایط عملیاتی بهینه را در مجموعه های پیچیده محدود پیشنهاد دهند.

در برنامه های تعادل جمعی، AI و ML برای موارد زیر استفاده می شوند:

  • داده های متناقض مرتبط [FLT 1] - شبکه های عصبی و روش های آماری می توانند تعارض بین سنسورهای اضافی را حل کنند، شکاف های ناشی از حرکت ابزار یا شکست را پر کنند.
  • متغیرهای بدون اندازه گیری - در فرایندهایی که اندازه گیری مستقیم غیر عملی یا گران است (به عنوان مثال، جریان های بازیافت داخلی یا آلاینده های ردیابی)، مدل های ML مقادیر را از داده های موجود استنباط می کنند.
  • ناهنجاری های پیش بینی شده [FLT 1] - انحراف از تعادل توده ای پیش بینی شده تجهیزات سیگنال، نشت و یا ناراحتی فرآیند، اغلب قبل از زنگ هشدار.
  • عملکرد عملیاتی [FLT 1] - با پیوند داده های تعادل جمعی با مدل های اقتصادی، سیستم های AI توصیه می کنند تنظیمات برای به حداقل رساندن زباله و به حداکثر رساندن خروجی.

به عنوان مثال، در پردازش مواد معدنی، محققان شبکه های عصبی مکرر (RNNs) را برای پیش بینی نمرات از داده های سنسور بالا، قادر به تنظیمات زمان واقعی برای مدارهای شکاف سازی.در درمان فاضلاب، مدل های ML از محدودیت های تعادل توده ای برای پیش بینی تولید و مواد شیمیایی، کاهش هزینه های عملیاتی توسط 15 تا 20٪ در مطالعات آزمایشی این برنامه های AI که نشان می دهد اصول مهندسی فوق العاده اساسی نیست، اما جایگزین اصول مهندسی آنها.

افزایش دقت و کارایی

دقت اولین مرزی است که AI ارائه می دهد دستاوردهای قابل اندازه گیری است - تنظیم اندازه گیری های خام برای پاسخگویی به قوانین حفاظت - بر بهینه سازی حداقل مربع و توزیع خطا فرض می شود.هنگامی که خطاهای اندازه گیری غیر Gausssian یا مرتبط هستند، این روش ها رویکردهای یادگیری ماشین را معرفی می کنند، مانند فاصله بی بیزی یا یادگیری عمیق با محدودیت های فیزیکی، کنترل ساختارهای غیر قابل اعتماد به نفس، به طور موثر آنها را از طریق یک مدل یادگیری یک نقطه ای از طریق مقایسه می کنند.

کارایی از طریق اتوماسیون و یادگیری تطبیقی بهبود می یابد.یک سیستم تعادل توده ای مبتنی بر هوش مصنوعی می تواند داده های زنده را از سیستم های کنترل توزیع شده (DCS) مصرف کند، مصالحه در زمان واقعی، و مدل های به روز رسانی به عنوان تغییر شرایط فرایند، این امر باعث می شود که تاخیر بین جذب داده ها و مهندسان عملی که یک بار برای متعادل کردن یک بلوک فرآیند به صورت دستی صرف شده اند، در حال حاضر می تواند بر تفسیر نتایج و بهبود یک تولید کننده شیمیایی گزارش شده در زمان کاهش یابد، در حالی که به طور همزمان پس از زمان، در هنگام استقرار سیستم عدم تعادل در زمان، در زمان، در زمان، در هنگام استفاده از زمان، در هنگام دستیابی به طور همزمان، کاهش زمان، در زمان، در زمان، در حال کاهش، در زمان، در زمان، کاهش، کاهش زمان، در حال کاهش، در زمان، در زمان تثبیت، در حالی که به طور همزمان، کاهش زمان، در حال کاهش زمان تثبیت، کاهش زمان، در زمان، در حال کاهش زمان، در حالی که ML، کاهش زمان، کاهش زمان، در حال کاهش زمان، در حالی که به طور همزمان، کاهش زمان، در حال کاهش زمان، کاهش زمان، کاهش زمان، کاهش زمان، کاهش زمان، در حال کاهش زمان، کاهش

مدل های سازگار نیز از تغییرات عملیاتی یاد می گیرند، هنگامی که یک مبدل حرارتی یا یک غیر فعال کننده کاتالیزور، مدل تعادل توده به طور خودکار پارامترهای خود را تنظیم می کند تا منعکس کننده کارایی جدید باشد.این یادگیری مداوم تضمین می کند که پیش بینی ها حتی به عنوان تجهیزات سن و یا تغییر خوراک، دقیق باقی می مانند.

نظارت و کنترل زمان واقعی

نظارت بر تعادل توده ای واقعی در زمان واقعی قبل از AI به دلیل بار محاسباتی و نیاز به رسیدگی پر سر و صدا، جریان داده های ناهمسان، معماری های مدرن AI - به ویژه کسانی که با استفاده از محاسبات لبه و تجزیه و تحلیل جریان - می تواند پردازش خواندن سنسور در ثانیه و مقایسه آنها در برابر یک دوقلو دیجیتال متعادل.

این سیستم ها بلافاصله انحرافات را تشخیص می دهند.یک اختلاف ناگهانی بین تغذیه داخل و محصول خروجی می تواند نشان دهنده نشت، یک شکست اندازه گیری یا تغییر در واکنش حساسیت به حساسیت است. AI پرچم aomaly، علل احتمالی را نشان می دهد و در پیاده سازی های پیشرفته می تواند به طور خودکار کنترل نقاط تنظیم شده برای بازگرداندن تعادل را تنظیم کند.به عنوان مثال، در تولید پلی اتیلن، یک مدل نظارت بر سنسور اولیه قبل از اینکه یک سنسور معمولی را شناسایی کند و جلوگیری از تعادل تدریجی دو ساعت.

دوقلوهای دیجیتال – شبیه سازی های مجازی فرآیندهای فیزیکی – یک برنامه به ویژه قدرتمند هستند.با ترکیب یک مدل تعادل جمعی با داده های زمان واقعی، دوقلو دیجیتال یک دیدگاه همیشه-مطریق فرآیند را حفظ می کند.این به عنوان یک بستر آزمایشی برای سناریوهای "چه چیزی" عمل می کند، اپراتورهای را قادر می سازد تا تاثیر تغییرات تغذیه، خرابی تجهیزات، یا حرکت بدون اختلال تولید را شبیه سازی کنند، زیرا دقت واقعی دوگانه را می آموزد و بسته شدن آن را بهبود می دهد.

آینده چشم انداز آینده

ادغام AI و ML به تکنیک های تعادل جمعی هنوز در مراحل اولیه آن است، اما مسیر در دهه آینده روشن است.

  • [FLT: 1] هوش مصنوعی برای طراحی فرایند - مدل های زبان بزرگ و شبکه های عمومی مجاور (GANs) ممکن است در طراحی فرآیندهای جدید با پیشنهاد جریان متعادل توده ای که محدودیت های مشخص را برآورده می کنند، کمک کند، کاهش زمان از مفهوم به خلبان.
  • یادگیری اجباری در سراسر سایت ها [FLT 1] - شرکت هایی که دارای چندین گیاه هستند، مدل های تعادل جمعی را به طور جمعی بدون به اشتراک گذاری داده های اختصاصی، بهبود استحکام مدل در حالی که از مالکیت معنوی محافظت می کنند، آموزش می دهند.
  • استنتاج مبتنی بر {{FLT:1] - مدل های ML به طور مستقیم بر کنترل کننده های منطقی قابل برنامه ریزی (PLCs) و سنسورهای هوشمند، قادر به تنظیم تعادل توده ای در زمان واقعی حتی در محیط های محدود پهنای باند مانند سیستم عامل های دریایی یا معادن دور.
  • [هزینه و اقتصاد مدور] - تعادل توده ای مبتنی بر AI نقش مهمی در ردیابی مواد از طریق حلقه های بازیافت، تأیید اعتبار کربن، و مطابق با مقررات مسئولیت گسترده تولید کننده، دقیق حسابداری از محتوای بازیافت شده و جریان های زباله برای گواهینامه های سبز ضروری خواهد بود.

با این حال، چالش ها باقی مانده است.کیفیت داده ها اولویت اصلی است - مدل های AI تنها به خوبی داده هایی هستند که در آن آموزش داده می شوند. Garbage در صنایع پردازش زباله باید به طور بی رحم استفاده شوند، صنایع پردازش باید در شبکه های سنسور قوی، حاکمیت داده ها و برچسب گذاری سیستماتیک داده ها به عنوان یک نگرانی دیگر، مهندسان و رگولاتورها ممکن است تمایل به پیش بینی های فیزیکی آگاهانه (NP) و روش های بازگشتی بیشتر به عنوان یک روش های حفاظت از نظر می رسد.

چارچوب های تنظیم کننده در پشت تکنولوژی قرار دارند.سازمان های زیست محیطی نیاز به محاسبات تعادل جمعی قابل حسابرسی دارند و هنوز مشخص نیست که چگونه تخمین های تولید شده توسط AI باید با مستندسازی روش های اعتبار مدل و حفظ نظارت انسان در حلقه برای تصمیم گیری های انتقادی آماده شوند.

دانش آموزان و دانش آموزان باید با این پیشرفت ها در حال حاضر درگیر شوند. Curricula در مهندسی شیمی، Pathways علوم زیست محیطی و مهندسی صنعتی به طور فزاینده شامل ماژول های علوم داده، یادگیری ماشین و تجزیه و تحلیل آزمایشگاه است که یک بار بر محاسبات دست تکیه می کنند، برای ترکیب دوقلوهای دیجیتال و سنسورهای مجازی، مهندسان فردا نیاز به تسلط در هر دو اصول تعادل اساسی و ابزارهای AI دارند که آنها را توسعه می دهند.

تکنیک های تعادل جمعی همیشه بر قوانین غیر قابل تغییر فیزیک باقی می مانند، اما با هوش مصنوعی و یادگیری ماشین، شیوه ای که ما این قوانین را اعمال می کنیم از محاسبات استاتیک، دوره ای به سیستم های یادگیری پویا و مداوم است.این ترکیب علم بنیادی با محاسبات پیشرفته وعده می دهد فرآیندهای کارآمد تر، خطاهای کمتر و نوآوری سریع تر است.