Yapay zekanın (AI) ve makine öğreniminin (ML) kitlesel denge tekniklerine entegrasyonu, mühendisler ve bilim adamlarının yaklaşım analizi, optimizasyon ve kontrol sürecini yeniden şekillendiriyor.Geçmiş hesaplama araçlarının temelleri on yıllardır değişmemiş olsa da, gelişmiş hesaplama araçlarınınfüzyonu sadece doğruluk, hız ve anlayış düzeyine olanak sağlıyor.

Mass Balance Tekniklerini Anlamak

Onun özünde, kütle dengesi - ayrıca malzeme dengesi olarak da bilinir - kitlesel koruma yasasının bir uygulamasıdır.Bu, farmasötiklerden atık su tedavisine kadar uzanan endüstrilerde temelseldir.

Geleneksel kütle dengesi yöntemleri manuel veri koleksiyonuna, tablo hesaplamalarına ve sürekli devlet varsayımlarına dayanıyor. Mühendisler akış oranları, kompozisyonlar ve toplamaları cihazlama ve el hesaplamaları veya basit yazılım araçları kullanarak uzlaştırmayı gerektirir. Basit süreçler için etkili olsa da, bu yaklaşımlar karmaşık olmayan sistemlerle mücadele eder, çoklu geri dönüşümler, belirsizlikler sunar.Reconciliation often requires time-consuming iterations and expert decision.

Limitler büyük ölçekli veya hızlı değişen operasyonlarda akut hale gelir. Yüzlerce işlem akışı olan bir kimyasal bitki, verileri manuel olarak uzlaştırmak için haftalar gerektirebilir. Inefficiencies, önemli miktarda veri kaybına kadar fark edilmez. Çevre raporlaması, manuel yöntemleri zorlayan titiz bir muhasebe talep eder. Bu zorluklar AI ve ML'den yararlanan yeni bir nesil dijital araçlar için aşamayı gerektirir - ve bazı durumlarda geleneksel dengeler - geleneksel olarak toplu denge metodolojileri değiştirir.

AI ve Machine Learning'in Rolü

AI ve ML, insan analistlerinden kaçan binlerce veri noktasının gelecekteki davranışları tahmin etmek için üç temel yeteneği getiriyor: örüntü tanıma, tahmin ve ölçeklendirme. Makine öğrenme modelleri, ölçeklendirme modellerinde binlerce veri noktası işlemeyi mümkün kılar, korelasyonları ve anomalileri tespit edebilir. Tarihteki verileri tahmin etmek için öğrenebilirler ve karmaşık kısıtlamalar içinde en uygun çalışma koşullarını önerebilirler.

Kitlesel denge uygulamaları için AI ve ML kullanılır:

  • [FONT:0)Reconcile tutarsız veriler[Dönetici: 1) – Neural ağları ve istatistiksel yöntemler, yedek sensörlerin, enstrümanın sürüklenmesine veya başarısızlığına neden olan boşlukları çözebilir.
  • [FONT:0]Estimate unmeasured değişkenler[Dönetici:0)[Dön ölçümler pratik veya pahalı (örneğin, iç geri akışlar veya iz kirleticiler), ML modelleri mevcut verilerden elde edilebilir.
  • [FONT:0)Atect anomalileri[[DÜT 1: 1)) - Tahmin edilen kitle dengeleri sinyal ekipmanı arızaları, sızıntıları veya süreç sık sık alarmlar tetiklenir.
  • [FONT:0) Verilmesini Olumlulaştırın[Dönetici: 1) - Ekonomik modellerle kitle dengesi verileri bağlantılayarak, AI sistemleri atıkları en aza indirmek ve en üst düzey çıktıyı en aza indirmek için ayarlamaları önerir.

Örneğin, mineral işlemede, araştırmacılar, pilot çalışmalarda kullanım maliyetlerini 15-20 oranında tahmin etmek için tekrarlayan sinir ağları (RNNs) dağıtmışlardır. Bu uygulamalar AI'nın temel mühendislik prensiplerini değiştirmediğini gösteriyor ancak uygulamalarını süperkarlaştırmaktadır.

Enhancing Truth and Verimliliği

AI'nın ölçülebilir kazanımlar sağladığı ilk sınırdır. Geleneksel veri uzlaşması - Koruma yasaları ile öğrenme için ham ölçümler ayarlaması - en az aquares optimizasyonuna ve hata dağıtımlarına dayanır. ölçüm hataları sadece bir nokta tahmin etmediğinde, bu yöntemler önyargıyı ortaya koyar.The traditional data uzlaştırması veya derin kısıtlamalarla öğrenme gibi, bilgilendirici kısıtlamalarla ilgili olarak, daha etkili olmayan hatalarla ilgili olarak.

Verimlilik otomasyon ve adaptif bir öğrenme yoluyla geliştirir. Bir AI odaklı kütle dengesi sistemi, dağıtılmış kontrol sistemlerinden (DCS) canlı verileri en fazla hesaplamaya odaklanabilir ve işlem koşullarını değiştirirken, aynı anda veri yakalama ve fikirli mühendisler arasındaki gecikmeyi ortadan kaldırır.

Adaptif modeller ayrıca operasyonel değişikliklerden de öğrenirler. Bir ısı değişimileyicisi fouls veya katalizörler, kütle dengesi modeli otomatik olarak yeni verimliliği yansıtacak şekilde parametrelerini ayarlar.Bu sürekli öğrenme tahminlerin ekipman yaş veya yemstocks değişimi kadar doğru kalmasını sağlar. Sonuç her toplula gelişen sürecin yaşayan bir dijital gösterimidir.

Gerçek Zaman İzleme ve Kontrol

Gerçek gerçek zamanlı kitle dengesi izleme, AI'dan önce ulaşılamazdı ve gürültülü, asynchronous veri akışlarını işlemek için ihtiyaç vardı. Modern AI mimarlıkları - özellikle kenar hesaplamaları ve analogları kullananlar - onları kütleli bir dijital ikize karşı karşılaştırabilir.

Bu sistemler sapmaları hemen algılar. İnlet yemi ve çıkış ürünü arasındaki aniden diskrepleme, bir ölçüm başarısızlığı veya reaksiyon stoichiometrisinde bir değişiklik gösterebilir. AI bayrakları, anomalileri tetikledikçe, operatörlerin erken müdahale etmesini ve gelişmiş uygulamalarda otomatik olarak kontrol noktalarının dengeyi geri yüklemesini sağlayabilir. Örneğin, polietilen üretimde, bir ML modeli izleme monomer besleme oranları ve reaktör toplu denge tespit etti.

Dijital ikizler - fiziksel süreçlerin sanal kopyaları - özellikle güçlü bir uygulamadır. Gerçek zamanlı verilerle bir kitle dengesi modelini taklit ederek, dijital ikiz her zaman-konsist bir şekilde süreci geliştirir, modelleme ve gerçeklik arasındaki döngüyü kapatır.

Future Outlook

AI ve ML'nin kitlesel denge tekniklerine entegrasyonu hala erken aşamalarında, ancak sonraki on yılda yörünge açık.

  • [FONT:0]Generative AI for process design[Dönemli: 1) Büyük dil modelleri ve jeneratif adversarial ağları (GANs), belirli kısıtlamalarla karşılanan yeni süreçleri tasarlayarak yeni süreçler tasarlamaya yardımcı olabilir, zaman kavramını pilota azaltır.
  • [FONT:0] Sitelerde öğrenim [[Döneticiler) -- Birden çok bitki ile şirketler, entelektüel mülkleri korumak için kolektif olarak toplu denge modelleri kolektif olarak kuracaklar.
  • [FONT=0)Edge tabanlı inference) – hafif ML modelleri doğrudan programlanabilir mantık kontrolörleri (PLC) ve akıllı sensörler üzerinde çalışacak, gerçek zamanlı kitle dengesine izin verecek, hatta açık deniz platformları veya uzaktan mayınlar gibi sınırlı ortamlarda.
  • [FONT:0)Sustainability ve dairesel ekonomi) - AI-enhanced kütle dengesi, geri dönüşüm döngüsü aracılığıyla malzemeleri takip etmek, karbon kredilerini doğrulamak ve genişletilmiş üretici sorumluluk düzenlemeleri ile uymak için kritik bir rol oynayacak.

Ancak, zorluklar kalıyor. Veri kalitesi en önemli bariyerdir - AI modelleri sadece siyah kutu tahminlerine eğitim verdikleri veriler kadar iyidir.Saçmalı sinir ağları (Ns) ve sembolik regresyon doğrudan modellemeye, veri yönetimine yatırım yapmak, sonuçları daha şeffaf ve doğrulanabilir hale getirmek için yollar ortaya çıkabilir.

Teknolojinin arkasındaki düzenleyici çerçeveler gecikmektedir. Çevre ajansları denetimlenebilir kütle dengesi hesaplamaları gerektirir ve AI tarafından üretilen tahminlerin nasıl kabul edileceği henüz açık değildir. Erken kabul edilenler model doğrulama prosedürlerini belgelemek ve insan-in-loop gözetimini kritik kararlar için korumak zorundadır.

Educators ve öğrenciler şu anda bu gelişmeleri ele almalıdırlar. Kimya mühendisliği, çevresel bilim ve endüstriyel mühendislik giderek artan veri bilimi, makine öğrenmesi ve süreç analizi. Laboratuvar uygulamaları, bir zamanlar kimya mühendisliğine dayanan bir şekilde yeniden tasarlanmalıdır[Dönetici ve sanal sensörler.) yarının mühendisleri, on iki temel kütle dengesi ilkelerine ve AI araçlarına ihtiyaç duyacaktır.

Kitlesel denge teknikleri her zaman fizikin vazgeçilmez yasaları üzerinde dinlenecektir. Ama AI ve makine öğrenimi ile bu yasaları uygulamak, statik, periyodik hesaplamalar dinamik, sürekli öğrenme sistemleri ile birlikte, temel bilimin bu füzyonu daha verimli süreçler, daha az hata ve daha hızlı inovasyon vaat eder.