Statikus módszerektől az adaptív tanulásig: hatékonyabb kísérlettervezés a vegyipari folyamatoptimalizálásban

From rigid plans to adaptive learning: modernizing design of experiments in chemical process optimization

Abstract

Performance

Kivonat

A vegyipari folyamatfejlesztés egyre nagyobb költség- és időnyomás alatt áll, miközben pontos és robusztus optimalizálásra van szükség. A hagyományos kísérlettervezési (Design of Experiments - DOE) módszerek strukturált és értelmezhető keretet adnak, de erősen nemlineáris vagy komplex rendszerekben korlátozottak. Jelen tanulmány a klasszikus DOE módszereket és a modell vezérelt Bayesi optimalizálást hasonlítja össze egy elsőrendű exoterm reakció szimulációjában. A tervezési tér a reaktor- és falhőmérsékletből, valamint a kiindulási koncentrációból állt, az eredmények konzisztens vizsgálatát pedig Gauss-folyamat közelítő modellek illesztése biztosította valamennyi módszerre. A klasszikus DOE-módszerek csak a kísérleti pontok környezetében mutattak alacsony bizonytalanságot, miközben a globális optimumot még több kísérleti futás árán sem találták meg megbízhatóan. Ezzel szemben a modell vezérelt DOE 27%-kal alacsonyabb globális bizonytalanságot és 50%-kal kisebb eltérést ért el az optimumtól, bizonyítva nagyobb prediktív pontosságát és megbízhatóságát az optimumkeresésben. Ez kiemeli az adaptív, modell vezérelt megközelítés robusztusságát és adat-hatékonyságát, alátámasztva alkalmazhatóságát az ipari folyamatfejlesztés gyorsításában.