Методы многокритериальной оптимизации технологических процессов

Что такое оптимизация технологических процессов и зачем она нужна

Оптимизация технологических процессов – это поиск таких условий проведения процесса, при которых достигается наилучший результат по выбранным критериям. В промышленности практически никогда не существует только одного критерия. Обычно необходимо одновременно обеспечить:

• Максимальный выход продукта;
• Минимальную себестоимость;
• Стабильность качества;
• Безопасность;
• Энергоэффективность;
• Экологическую чистоту процесса.

Такая задача называется многокритериальной оптимизацией.

Например, при обжиге керамики нужно одновременно получить:

• Нужную фазу;
• Нужную плотность;
• Отсутствие трещин;
• Минимальное энергопотребление.

Изменение температуры может улучшить одно свойство, но ухудшить другое. Поэтому оптимизация – это не просто подбор параметра, а поиск компромисса в пространстве множества параметров.

Современные технологические процессы, особенно связанные с химическими и фазовыми превращениями, имеют сложную нелинейную структуру. Это делает задачу оптимизации одной из самых сложных задач инженерной практики.

Какие бывают параметры технологических процессов

Любой технологический процесс можно описать набором параметров. Их можно разделить на несколько групп.

1. Термодинамические параметры

• Температура;
• Давление;
• Состав системы;
• Концентрации компонентов;
• Влажность;
• Парциальные давления газов.

Именно эти параметры определяют, какие фазы и вещества могут существовать в системе.

2. Кинетические параметры

• Скорость нагрева;
• Скорость охлаждения;
• Время выдержки;
• Скорость подачи реагентов;
• Скорость перемешивания.

Эти параметры определяют, как быстро система приходит к равновесию или к заданному состоянию.

3. Конструкционные параметры

• Геометрия печи;
• Объем реактора;
• Тип теплообмена;
• Материал оборудования.

Они влияют на распределение температуры, состава и фаз внутри системы.

4. Управляемые и неуправляемые параметры

В реальной технологии часть параметров можно менять, а часть — нет.

Управляемые:

• температура
• давление
• состав шихты
• режим нагрева

Неуправляемые:

• примеси в сырье
• нестабильность оборудования
• колебания внешней среды

Оптимизация должна учитывать всю совокупность параметров, что резко усложняет задачу.

Подходы к оптимизации в зависимости от числа параметров

Методы оптимизации сильно зависят от того, сколько параметров участвует в процессе.

Оптимизация при небольшом числе параметров

Если параметров мало (1–3), можно использовать простые методы:

• Перебор вариантов;
• Метод градиента;
• Метод наискорейшего спуска;
• Метод Ньютона;
• Одномерный поиск;
• Планирование эксперимента (DOE).

Их преимущества – это простота реализации, высокая точность, понятный результат.

При этом недостатками являются следующие особенности:

• Плохо работают при нелинейности;
• Плохо работают при большом числе параметров;
• Требуют большого числа экспериментов.

В технологических процессах с химическими превращениями такие методы быстро перестают работать, потому что:

• Свойства меняются скачкообразно;
• Появляются новые фазы;
• Возникают химические реакции;
• Возникают области нестабильности.

Оптимизация при большом числе параметров

Если параметров много (5–20 и более), классические методы становятся неэффективными.

Возникают проблемы:

• Экспоненциальный рост числа вариантов;
• Множество локальных минимумов;
• Сильная нелинейность;
• Зависимость параметров друг от друга.

В таких случаях применяются генетические алгоритмы, байесовская оптимизация, методы машинного обучения (в частности нейронные сети).

Использование нейросетей для оптимизации

Нейросети позволяют:

• Находить сложные зависимости;
• Работать с большим числом параметров;
• Учитывать экспериментальные данные;
• Строить предсказательные модели.

Но у них есть серьезный недостаток. Нейросеть не знает физики и химии процесса. Она знает только данные, на которых обучена. Это приводит к опасному эффекту:

Выход за пределы обучающей области

Если нейросети задать параметры, которых не было в обучении, она: всё равно даст ответ, но этот ответ может быть физически невозможным.

Например:

• Предсказание несуществующей фазы;
• Отрицательная концентрация;
• Нарушение закона сохранения массы;
• Невозможное равновесие;
• Невозможные температуры плавления;
• И другие.

В сложных многокомпонентных системах это особенно опасно, потому что количество возможных состояний огромно, экспериментально проверить всё невозможно, а ошибка может привести к аварии или браку.

Поэтому для процессов с химическими превращениями требуется другой подход.

Оптимизация многокомпонентных систем с химическим взаимодействием

Если в системе происходят фазовые превращения (растворение, кристаллизация, испарение, образование твердых растворов и др.), а также химические реакции, то оптимизация должна учитывать физико-химические законы, а не только данные.

В таких случаях применяются методы:

Термодинамическое моделирование

Основано на: законах термодинамики, минимизации энергии Гиббса, фазовых равновесиях, моделях растворов, уравнениях состояния и др.

Преимущества:

• Физически корректный результат;
• Невозможность получить несуществующее состояние;
• Возможность выхода за пределы эксперимента;
• Работа с любыми составами;
• Работа с любыми температурами и давлениями;
• Возможность прогнозирования новых режимов.

Термодинамическая оптимизация

Если совместить термодинамическую модель и алгоритмы оптимизации, то можно находить такие параметры, при которых:

• Образуется нужная фаза,
• Не образуются вредные фазы,
• Минимальна энергия,
• Минимальны потери,
• Минимальна температура,
• Минимальна стоимость сырья.

Это важно для различных исследований, разработок и производств химической промышленности:

• керамики,
• стекла,
• металлургии,
• химической технологии,
• энергетики,
• материаловедения,
• высокотемпературных процессов,
• многокомпонентных шихт.

Термодинамический подход позволяет оптимизировать процесс без огромного количества экспериментов.

Методы термодинамической оптимизации в многокомпонентных системах

В сложных системах оптимизация может включать:

• подбор состава;
• подбор температуры;
• подбор атмосферы;
• подбор давления;
• подбор режима нагрева;
• подбор соотношения фаз.

Такие задачи имеют десятки параметров. При этом каждое изменение может приводить к новой фазе, новой реакции, изменению равновесия, изменению структуры.

Поэтому оптимизация должна выполняться совместно с расчетом:

• химического равновесия,
• фазового состава,
• тепловых эффектов,
• газовой фазы,
• растворимости,
• и пр.

Именно это делает термодинамическую оптимизацию уникальным инструментом.

Разработка методов термодинамической оптимизации в SlobodovReactor

Наша компания занимается разработкой методов оптимизации технологических процессов для сложных многокомпонентных систем, в которых происходят фазово-химические превращения.

Основные направления работы:

• Разработка алгоритмов термодинамической оптимизации;
• Создание моделей многокомпонентных систем;
• Расчет фазовых равновесий;
• Расчет химического равновесия;
• Оптимизация состава и режимов;
• Прогноз поведения системы вне экспериментальных данных.

Для решения этих задач разработан облачный сервис SlobodovReactor, который позволяет моделировать многокомпонентные системы: рассчитывать фазовые и химические превращения, оптимизировать технологические параметры, подбирать составы – в общем прогнозировать результат без экспериментов.

В отличие от методов, основанных только на данных или нейросетях, термодинамический подход обеспечивает физическую корректность, устойчивость к выходу за пределы эксперимента, возможность работы с новыми системами, возможность оптимизации сложных технологий.

Кроме облачного сервиса, выполняется разработка индивидуальных решений для предприятий, где требуется:

• Оптимизация конкретной технологии;
• Внедрение моделей в производство;
• Создание цифровых двойников процессов;
• Автоматическая оптимизация режимов.

Многокритериальная оптимизация технологических процессов – это ключевая задача современной промышленности.

При небольшом числе параметров достаточно простых алгоритмов, но при работе с многокомпонентными системами, где происходят химические и фазовые превращения, требуется использование термодинамического моделирования.

Термодинамическая оптимизация позволяет получать физически корректные результаты, прогнозировать новые режимы и существенно сокращать количество экспериментов.

Именно поэтому методы, реализованные в сервисе SlobodovReactor, являются эффективным инструментом для разработки и оптимизации сложных технологических процессов.