شبیه‌ساز فرایند یادگیری ماشین را به کار می‌گیرد

شرکت KBC، بازوی مهندسی فرایند متعلق به یوکوگاوا، نسخه ۷٫۷ پتروسیم را عرضه کرده و مدل‌سازی ترکیبی مبتنی بر یادگیری ماشین را به سکویی افزوده که بر اصول اولیه بنا شده است. انتخاب جالب، همان واژه «در کنار» است به جای «به جای»: فیزیک سر جایش می‌ماند و مدل‌ها آموزش می‌بینند تا آنچه را فیزیک پوشش نمی‌دهد بپوشانند.

همین تمایز، تمام استدلال ماجراست. مدل مبتنی بر اصول اولیه یک راکتور قابل اعتماد است چون استخراج‌شده و قابل حسابرسی است و بیرون از بازه‌ای که برایش داده دارید هم معقول رفتار می‌کند. ضعفش هر چیزی است که معادلات در بر نمی‌گیرند — رسوب‌گرفتگی، پیر شدن کاتالیست، تغییرپذیری خوراک، و رفتار خاص یک واحد خاص. مدل صرفا داده‌محور نیمرخ وارونه‌ای دارد: این اثرها را می‌گیرد و بعد به محض آنکه درباره شرایطی که هرگز ندیده پرسیده شود، با اطمینان کامل مزخرف تولید می‌کند. مدل‌سازی ترکیبی ساختار استخراج‌شده را نگه می‌دارد و می‌گذارد جزء آموخته‌شده باقی‌مانده را جذب کند.

این نسخه یک مرکز ابزار یادگیری ماشین توکار دارد که داده مصنوعی می‌سازد و به مهندسان اجازه می‌دهد مدل‌های ترکیبی را درون محیط پتروسیم و بدون مهارت تخصصی علم داده توسعه دهند، آموزش دهند و مستقر کنند. تولید داده مصنوعی بخشی است که ارزش اشاره دارد، چون سد کلاسیک یادگیری ماشین در سطح کارخانه الگوریتم نیست بلکه داده عملیاتی برچسب‌خورده است: واحدی که خوب اداره می‌شود بیشتر عمرش را در نواری باریک از شرایط می‌گذراند، و این دقیقا بی‌فایده‌ترین مجموعه داده برای آموزش است. ساختن حالت‌ها از دل مدل فیزیکی برای پوشش فضایی که کارخانه به آن سر نمی‌زند پاسخ معقولی است.

افزوده‌های دیگر متعارف‌ترند اما کم‌فایده نیستند: کتابخانه بهینه‌ساز گسترش‌یافته با الگوریتم‌های تازه برای عملیات پیچیده پالایشگاهی، مجموعه راکتور توسعه‌یافته شامل مدل تازه هیدروکراکر روغن، روش‌های بهبودیافته خواص فیزیکی، و پشتیبانی تازه از فراورش زیست‌روغن، الکترولیز، پیرولیز و گازی‌سازی زیست‌توده به همراه همبستگی‌های کربن‌زدایی.

پتروسیم ۷٫۷ همچنین شالوده مهندسی محصول KBC Acuity Process Twin Pro است که سلامت مدل را پیوسته پایش می‌کند، انحراف از عملکرد واقعی کارخانه را می‌یابد و مدل‌ها را در طول چرخه عمرشان به‌روز نگه می‌دارد. این به آن خرابی مشهور دیگر همزادهای دیجیتال فرایندی می‌پردازد که مشکلشان اشتباه ساخته شدن نیست بلکه بی‌سروصدا از کارخانه فاصله گرفتن است. همزادی که دو سال کسی اعتبارش را نسنجیده، شبیه‌سازی پالایشگاهی است که دیگر وجود ندارد.

سایمون راجرز، مدیر ارشد فناوری، موضع را صریح بیان کرد و گفت هوش مصنوعی صنعتی تنها زمانی ارزشمند است که مهندسان بتوانند از راه شفافیت، سخت‌گیری مهندسی و نتایج اعتبارسنجی‌شده به آن اعتماد کنند — که معیار درستی است و مدل‌های ترکیبی برای برآورده کردنش جایگاه بهتری از گزینه‌های دیگر دارند.