طراحی، بهینه‌سازی و مهندسی واحدهای تاسیساتی و یوتیلیتی
آذر ۶, ۱۴۰۳
مقدمه
در سال‌های اخیر، حوزه هوش مصنوعی (AI) شاهد رشد چشمگیری بوده است که به دلیل پیشرفت‌های اخیر در قدرت محاسباتی، تکنیک‌های هوش مصنوعی، و معماری‌های نرم‌افزاری حاصل شده است. از میان حوزه‌های مختلفی که تحت تأثیر این تغییر پارادایم قرار گرفته‌اند، مهندسی فرآیند نیز از مزایای هوش مصنوعی بهره‌مند شده است. با این حال، روش‌ها و کاربردهای منتشرشده در زمینه مهندسی فرآیند متنوع هستند و هنوز پتانسیل‌های بسیاری دست‌نخورده باقی مانده‌اند.
در این راستا، هدف ارائه یک دیدگاه سیستماتیک از وضعیت فعلی هوش مصنوعی و کاربردهای آن در مهندسی فرآیند مورد بحث قرار می‌گیرد. کاربردهای فعلی توصیف شده و بر اساس یک طبقه‌بندی جامع‌تر دسته‌بندی می‌شوند. تکنیک‌های فعلی، انواع هوش مصنوعی، و مراحل پیش‌پردازش و پس‌پردازش نیز به همین ترتیب بررسی شده و به کاربردهای مورد بحث قبلی اختصاص می‌یابند.
با توجه به اهمیت مدل‌های مکانیکی در مهندسی فرآیند در مقایسه با ماهیت جعبه سیاه اکثر سیستم‌های هوش مصنوعی، استراتژی‌های مهندسی معکوس و مدلسازی هیبریدی مورد توجه قرار می‌گیرند. علاوه بر این، یک استراتژی جامع برای استفاده از وضعیت فعلی هوش مصنوعی در مهندسی فرآیند تدوین خواهد شد.
مهندسی فرآیند
حوزه مهندسی فرآیند، که در این مقاله به بررسی کاربرد هوش مصنوعی در آن پرداخته شده است، به تبدیل مواد خام به محصولات تجاری می‌پردازد تا در صنایع مرتبط مانند صنعت تولید که این محصولات میانه و محصولات دیگر به محصولات نهایی تبدیل می‌شوند، استفاده شود. حوزه‌های فعالیت مستقیم مرتبط با مهندسی فرآیند شامل “طراحی فرآیند”، “کنترل فرآیند”، “عملیات فرآیند” و “ابزارهای پشتیبانی” هستند، که در جدول 1 نشان داده شده‌اند.
جدول 1:
حوزه‌های فعالیت در مهندسی فرآیند به همراه وظایف و دستاوردهای مهم مربوطه
علاوه بر جنبه‌های مهندسی، اقتصاد فرآیندها نیز نقش مهمی در این حوزه ایفا می‌کند. به عبارت دیگر، بررسی هزینه‌ها و فواید مختلف فرآیندهای صنعتی نیز جزئی از مهندسی فرآیند است.
هر یک از این زمینه‌ها (مهندسی، اقتصاد و …) به شاخه‌های فرعی متعددی تقسیم می‌شود و وظایف متنوعی را در بر می‌گیرد. به عنوان مثال، مدیریت چرخه عمر یک محصول، ارزیابی عملکرد یک فرایند و مدیریت ریسک‌های احتمالی از جمله این وظایف هستند.
مفهوم اصلی مهندسی فرآیند شبیه به مهندسی شیمی است. اما مهندسی فرآیند طیف گسترده‌تری از صنایع را پوشش می‌دهد. از تولید دارو و مواد غذایی گرفته تا صنایع سنگین مانند تولید فلز و سیمان، همه از اصول مهندسی فرآیند بهره می‌برند.
مهندسی سیستم‌های فرایندی (PSE) نیز شاخه‌ای از مهندسی فرآیند است که به بررسی کل سیستم تولید و ارتباط بین اجزای مختلف آن می‌پردازد.
جدول 1 برخی از مهم‌ترین زمینه‌های فعالیت در مهندسی فرآیند و دستاوردهای اخیر در این حوزه را نشان می‌دهد.
مهندسی فرآیند در مقیاس‌های زمانی و مکانی مختلفی عمل می‌کند. به عنوان مثال، زنجیره تامین یک محصول شیمیایی از مراحل مختلفی تشکیل شده است که هر کدام به مدل‌ها و پارامترهای خاص خود نیاز دارند.
هوش مصنوعی
هوش مصنوعی (AI) از دهه 1950 به عنوان علمی مطالعه شد که به ماشین‌ها توانایی یادگیری و حل مسئله مانند انسان را می‌دهد. امروزه، دو زیرشاخه اصلی از هوش مصنوعی، یعنی یادگیری ماشین (ML) و یادگیری عمیق (DL)، بیشترین توجه را به خود جلب کرده‌اند.
یادگیری ماشین (ML) به مجموعه‌ای از روش‌ها گفته می‌شود که به کامپیوتر اجازه می‌دهد بدون برنامه‌نویسی مستقیم، از روی داده‌ها یاد بگیرد و پیش‌بینی کند.
یادگیری عمیق (DL) زیرمجموعه‌ای از یادگیری ماشین است که از شبکه‌های عصبی مصنوعی (ANN) برای یادگیری الگوهای پیچیده در داده‌ها استفاده می‌کند. این شبکه‌ها دارای لایه‌های متعددی هستند که به آن‌ها اجازه می‌دهد ویژگی‌های پیچیده را از داده‌ها استخراج کنند.
شکل 2 نشان می‌دهد که علاقه به یادگیری ماشین و یادگیری عمیق در سال‌های اخیر به شدت افزایش یافته است.
در شکل 3، مفاهیم هوش مصنوعی (AI)، یادگیری ماشین (ML) و یادگیری عمیق (DL) و وابستگی‌های بین آن‌ها نشان داده شده است. روش‌های اختصاص داده شده به پارادایم‌های مربوطه نیز همراه با مثال‌های کاربردی فهرست شده‌اند.
کاربرد هوش مصنوعی در مهندسی فرآیند
تعداد مقالات منتشرشده در زمینه استفاده از الگوریتم‌های هوش مصنوعی در مهندسی مکانیک و فرآیند در سال‌های اخیر به‌طور چشمگیری افزایش یافته است. بر اساس بررسی مقالات مرتبط، کاربردهای توصیف‌شده در مهندسی فرآیند را می‌توان به اهداف اصلی زیر دسته‌بندی کرد: تصحیح داده‌ها، مدلسازی پیش‌بینی‌کننده فرآیند، بهینه‌سازی فرآیند، شناسایی خطا/ناهنجاری، کنترل فرآیند و استخراج مدل‌های مکانیکی، که به‌صورت شماتیک در شکل 6 نشان داده شده است.
از میان این ۶ هدف، مدلسازی پیش‌بینی‌کننده فرآیند، بهینه‌سازی فرآیند و کنترل و تشخیص خطا به‌طور مستقیم در حوزه مشترک مهندسی فرآیند و هوش مصنوعی قرار می‌گیرند. تصحیح داده‌ها یک فرآیند اولیه برای پیش‌پردازش داده‌ها است که معمولاً پیش از مرحله اصلی آموزش هوش مصنوعی انجام می‌شود. در این میان، مدلسازی پیش‌بینی‌کننده به‌عنوان برجسته‌ترین هدف شناخته می‌شود و اغلب در سایر کاربردها نیز نقش کلیدی ایفا می‌کند. این مدلسازی معمولاً به‌عنوان یک گام میانی یا اولیه در کل فرآیند عمل می‌کند و مبنایی برای مراحل بعدی مانند بهینه‌سازی فرآیند، کنترل فرآیند، تشخیص خطا یا مدلسازی مکانیکی فراهم می‌کند.
مدلسازی مکانیکی جایگاه ویژه‌ای در این چارچوب دارد، زیرا هدف اصلی آن تبدیل مدل‌های داده‌محور و تجربی آموزش‌دیده به مدل‌های مکانیکی یا فیزیکی شفاف (white box) است که قابلیت تفسیر و تحلیل بیشتری دارند. این فرآیند شامل استفاده از روش‌های مهندسی معکوس بر روی مدل‌های جعبه سیاه (black box) است. برای دستیابی به مدلسازی مکانیکی، از مدل‌های ترکیبی یا جعبه خاکستری (gray box) نیز بهره گرفته می‌شود.
تمرکز اصلی بر انتخاب ویژگی‌های کلیدی و استراتژی‌های روش‌شناختی است تا نقشه راهی برای خوانندگان فراهم شود که بتوانند این موارد را در سایر کاربردها در حوزه مهندسی فرآیند و مکانیک و همچنین در دیگر حوزه‌های مهندسی تطبیق داده و انتقال دهند.
مدلسازی پیش‌بینی‌کننده
مثالی از استفاده یادگیری ماشین (ML) به‌عنوان مدل پیش‌بینی‌کننده در مهندسی فرآیند توسط گِنگ و همکارانش ارائه شده است. آن‌ها از یک روش دو مرحله‌ای برای آموزش یک شبکه عصبی مصنوعی (ANN) به‌منظور پیش‌بینی یک فرآیند واکنش شیمیایی در یک سیستم پیچیده شامل یک ستون، یک بازجوش‌آور و یک مخزن بازگشتی استفاده کردند.
همانطور که در شکل ۷ نشان داده شده است.
در فرآیند مورد بررسی، اسید ترفتالیک خالص در یک کارخانه متشکل از یک ستون خشک‌کن حلال، یک مخزن بازجریان و یک ریبویلر تولید می‌شود. در مجموع 17 پارامتر ورودی مانند جریان بازگشت آب، جریان ورودی و ترکیب، جریان‌های بیشتر، دما در موقعیت‌های مختلف کارخانه و سطح مخزن بازجریان با محتوای اسید خروجی از کارخانه به عنوان پارامتر خروجی استفاده شد.
قبل از آموزش واقعی ANN به عنوان یک پیش‌بین، یک کدگذاری خودکار مقدماتی (AE) برای استخراج ویژگی‌های اصلی (همچنین به عنوان کاهش ابعاد شناخته می‌شود) از داده‌های آموزشی ادغام شد. از طریق کاهش افزونگی‌ها و نویز، کارایی و پایداری مدلسازی AI بعدی افزایش یافت.
بر اساس ویژگی‌های تشخیص داده شده و داده‌های محتوای اسید، ANN، یک ماشین یادگیری شدید (ELM)، برای پیش‌بینی دقیق نتیجه فرآیند آموزش داده شد. ELM با تنظیم تصادفی پارامترهای لایه‌های پنهان به منظور جلوگیری از حداقل‌های محلی در فرآیند شیب نزولی مشخص می‌شود.
بهینه‌سازی فرآیند
ژانگ و همکارانش با استفاده از قابلیت‌های یادگیری ماشین (ML) وظایف بهینه‌سازی فرآیند را از طریق دو مثال نشان دادند. در مورد اول، یک مدل ترکیبی برای یک راکتور مخزن همزن‌دار پیوسته آموزش داده شد تا فرآیند یک واکنش شیمیایی برگشت‌پذیر و گرمازا را شبیه‌سازی کند. در اینجا، شبکه عصبی مصنوعی (ANN) به‌گونه‌ای آموزش داده شد که جایگزین معادلات نرخ واکنش مبتنی بر اصول اولیه در معادلات جرم و انرژی شود؛ معادلاتی که دستیابی به آن‌ها بدون آگاهی دقیق از مکانیزم‌های واکنش پایه بسیار دشوار است.
به عنوان مثال دوم، یک ANN برای جایگزینی توابع تعادل فاز در یک ستون تقطیر آموزش داده شد، همانطور که در شکل 8 نشان داده شده است.
بر اساس این دو مدل ترکیبی، توابع هزینه بهینه‌سازی بلادرنگ (RTO) و کنترل پیش‌بینی مدل (MPC) طراحی شدند تا با استفاده از شبکه‌های عصبی آموزش‌دیده که جایگزین توابع غیرخطی مبتنی بر اصول اولیه در RTO شدند.بهره‌وری اقتصادی به حداکثر برسد و نقاط تنظیم بهینه برای کنترل‌کننده‌ها تعیین شود.
در RTO مربوط به راکتور مخزن همزن‌دار، توابع هزینه برای تبدیل واکنش‌دهنده‌ها و هزینه گرما طراحی و با توجه به هزینه کل و مدل‌های هوش مصنوعی آموزش‌دیده برای نرخ واکنش‌ها بهینه‌سازی شدند. به همین ترتیب، برای ستون تقطیر، یک تابع هدف برای سود طراحی شده که به فرآیند محصولات، خوراک و انرژی وابسته بود.
کنترل فرآیند
همانطور که در زیربخش قبلی بهینه‌سازی فرآیند توضیح داده شد، ژانگ و همکاران [26] مدل‌های پیش‌بینی ترکیبی برای یک راکتور مخزن همزن‌دار و یک ستون تقطیر ایجاد کردند که با بهینه‌سازی فرآیند همراه بود. بر اساس RTOهای حاوی مدل‌های ترکیبی مبتنی بر هوش مصنوعی، استراتژی‌های MPC جداگانه‌ای استخراج شدند.
در این موارد، کنترل فرآیند به شیوه‌های مرسوم، با استفاده از یک کنترل‌کننده پیش‌بینی مدل مبتنی بر لیاپانوف تنظیم شد. این کنترل‌کننده ورودی‌ها را برای رسیدن به حالت پایدار پیش‌بینی‌شده توسط RTO تنظیم می‌کرد.
برای ستون آب‌زدایی، پارامترهای بهینه RTO به شش کنترل‌کننده انتقال داده شدند (پارامترهایی مانند نرخ جریان، فشار، و مقادیر RTO برای دما و کنترل‌کننده غلظت) تا شرایط مناسب فرآیند تنظیم شود. در این دو مورد، هوش مصنوعی برای مدلسازی ترکیبی پیش‌بینی فرآیندهای فیزیکی استفاده شد و سپس استراتژی‌های بهینه‌سازی و کنترل با رویکردهای مرسوم اعمال شدند. به‌صورت جایگزین، می‌توان کل فرآیند کنترل را با استفاده از هوش مصنوعی اجرا کرد.
نتیجه گیری
این مطالعه به بررسی وضعیت فعلی و پتانسیل کاربرد هوش مصنوعی، به ویژه یادگیری ماشین، در زمینه مهندسی فرآیند و شیمی پرداخته است. ابتدا به معرفی مختصری از حوزه مهندسی فرآیند و شیمی پرداخته شده و زمینه‌های فعالیت، وظایف و پتانسیل‌های آینده آن مورد بررسی قرار گرفته است. سپس مفهوم هوش مصنوعی معرفی شده است. این مقاله به افزایش توانایی‌های هوش مصنوعی ناشی از پیشرفت‌های نرم‌افزاری، سخت‌افزاری و ظهور پلتفرم‌های هوش مصنوعی پرداخته است. این امر نشان‌دهنده اهمیت روزافزون هوش مصنوعی در سطح کلی و همچنین در زمینه مهندسی فرآیند و شیمی است.
جهت دانلود مقاله میتوانید از طریق لینک زیر اقدام نمایید:
