سود:
- توانایی ساخت صحیح مسئله بهینه سازی با تابع هدف، متغیرهای تصمیم گیری و محدودیت ها و تولید سناریوها و ایده ها با هوش مصنوعی
- درک اهمیت تعریف کامل محدودیت ها و توانایی بیشتر برای آزمایش بهینه ریاضی از نظر امنیت و کاربرد.
- درک اینکه محدودیت امنیتی یک محدودیت غیرقابل مذاکره است که نمی توان آن را با کارایی مبادله کرد.
ممکن است یک فرآیند "در حال اجرا" باشد، اما آیا "بهینه" اجرا می شود؟ آیا راهی برای تولید همان محصول با انرژی کمتر، راندمان بیشتر و هزینه کمتر وجود دارد؟ زمینه ای که این سوالات را دنبال می کند بهینه سازی فرآیند است - تنظیم متغیرهای یک فرآیند برای بهینه سازی یک هدف تحت محدودیت های خاص. بهینه سازی همیشه یک موضوع تعادل است: حفظ خلوص در عین کاهش انرژی، حفظ ایمنی و هزینه در عین افزایش کارایی. در این بخش، نحوه استفاده از هوش مصنوعی را به عنوان کمکی در چارچوببندی مسئله بهینهسازی، مقایسه سناریوها و ایجاد ایدههای بهبود یاد خواهید گرفت. اما ما خواهیم آموخت که چرا هر "بهبود" پیشنهادی باید توسط شبیه سازی، ایمنی و اقتصاد تایید شود.
در بهینه سازی مدام با سه مفهوم مواجه می شوید. تابع هدف (عملکرد هدف - کمیتی که باید بهینه شود؛ به عنوان مثال، هزینه کل انرژی)، متغیرهای تصمیم گیری (مقادیر قابل تنظیم، دما، فشار، نرخ رفلکس) و محدودیت ها (محدودیت هایی که نباید از آنها تجاوز کرد؛ خلوص محصول، محدودیت ایمنی، ظرفیت تجهیزات). یک بهینه سازی خوب به وضوح این سه را تعریف می کند. هوش مصنوعی دقیقاً در این مرحله از شناسایی و تولید گزینه قدرتمند است.
پشتیبانی گام به گام هوش مصنوعی در بهینه سازی
1. مسئله را به درستی فرموله کنید. از هوش مصنوعی می پرسم "چه چیزی را می خواهم بهینه کنم، چه چیزی را می توانم تغییر دهم، چه چیزی را هرگز نمی توانم پیشی بگیرم؟" پاسخ سوالات خود را دریافت کنید شفاف سازی هدف، متغیرها و محدودیت ها نیمی از کار است.
2. تأثیر متغیرها را کشف کنید. هوش مصنوعی فرضیه هایی را در مورد اینکه کدام متغیر ممکن است تأثیر بیشتری بر هدف (حساسیت) داشته باشد، ایجاد می کند. اینها ایده هایی هستند که باید با شبیه سازی آزمایش شوند.
3. ایده های یکپارچه سازی حرارتی. هوش مصنوعی یادآور رویکردهای کلاسیک صرفه جویی در انرژی مانند بازیابی گرمای اتلاف (تحلیل پینچ - روشی است که محدودیت نظری بازیابی گرما را در این فرآیند پیدا می کند). شما امکان سنجی را ارزیابی می کنید.
4. قابل مشاهده کردن مبادلات. هوش مصنوعی می پرسد "اگر انرژی را 10٪ کاهش دهید، خلوص چگونه تحت تأثیر قرار می گیرد، هزینه آن چقدر خواهد بود؟" این نمودار مبادلاتی مانند. اعداد باید از شبیه سازی آمده باشند. هوش مصنوعی چارچوب را می سازد.
5. پیش نویس کد بهینه سازی. هوش مصنوعی پیش نویس یک اسکریپت بهینه سازی پایتون را می نویسد (به عنوان مثال scipy.optimize). تابع هدف، محدودیت ها و حل کننده را ایجاد می کند. شما کد و نتیجه را تایید می کنید.
6. فیلتر امنیت و معقولیت. آیا بهینه پیشنهادی در محدوده ایمنی است؟ آیا از نظر فیزیکی امکان پذیر است؟ این قضاوت نهایی با شماست.
نکته: بیشترین چیزی که در بهینه سازی فراموش می شود محدودیت ها هستند. هنگام ارائه مشکل به هوش مصنوعی، محدودیت های امنیتی و کیفیت را به وضوح بنویسید. در غیر این صورت AI ممکن است بهینه ای را پیشنهاد کند که روی کاغذ "عالی" است اما در واقع برای محصول خطرناک یا مخرب است.
«بهینه» یک توصیه نیست، بلکه فرضیه ای است که باید تأیید شود
وقتی هوش مصنوعی یا الگوریتم بهینهسازی یک «نقطه شیرین» را برمیگرداند، بهترین مدل ریاضی است - نه فرآیند واقعی. اگر مدل دارای یک محدودیت از دست رفته باشد، ممکن است از حد ایمنی بهینه فراتر رود. محدود کردن یک متغیر (مثلاً به حداکثر رساندن دما) ممکن است بازده روی کاغذ را افزایش دهد، اما در واقعیت ممکن است از نظر واکنش جانبی، عمر کاتالیزور یا ایمنی غیرقابل قبول باشد. هر یک از نتایج بهینه سازی بیشتر برای امنیت و کاربرد آزمایش می شود.
احتیاط: اگر یک پیشنهاد بهینهسازی محدودیت ایمنی را نقض کند ("فشار هرگز نباید بیشتر شود"، "دما باید زیر آستانه فرار باقی بماند")، بدون در نظر گرفتن کارایی اجرا نمیشود. محدودیت ایمنی حد غیر قابل مذاکره بهینه سازی است.
سه کیف کوچک
مورد 1 - ایده صرفه جویی در انرژی. در بخش تقطیر، YZ ادغام گرما (پیش گرم کردن خوراک سرد با یک محصول داغ) بین دو جریان را پیشنهاد کرد. تیم این را در شبیه سازی آزمایش کرد. وظیفه reboiler حدود 18٪ کاهش یافت، خلوص حفظ شد. این ایده از هوش مصنوعی گرفته شد، تصمیم از طریق شبیه سازی و تجزیه و تحلیل هزینه گرفته شد.
مورد 2 - خطر بهینه بدون محدودیت. مهندسي از هوش مصنوعي خواست كه نرخ رفلكس را براي «به حداقل رساندن انرژي» توصيه كند، اما فراموش كرد كه محدوديت خلوص را بنويسد. YZ رفلاکس بسیار کم را توصیه کرد. در شبیه سازی، خلوص محصول زیر مشخصات قرار گرفت. وقتی محدودیت اضافه شد، یک بهینه واقعی پیدا شد. درس: بهینه سازی بدون محدودیت گمراه کننده است.
مورد 3 - کد بهینه سازی. یک تیم پیش نویس scipy.optimize را از هوش مصنوعی برای به حداقل رساندن هزینه سه متغیری دریافت کرد. این کد زمانی به مدل واقعی مرتبط شد که در یک مسئله آزمایشی ساده، نتیجه صحیح را ارائه داد. هنگامی که با جستجوی شبکه تأیید شد، راه حل سازگار بود. اما مهندس بیشتر تأیید کرد که بهینه در پنجره ایمنی است.
چهار قالب قابل کپی
1) ایجاد یک مسئله بهینه سازی:
نقش شما: مهندس بهینه سازی فرآیند. روند من: [توضیحات کوتاه]. به من کمک کنید تا مشکل را روشن کنم: (1) تابع هدف (انرژی/هزینه/بازده) چیست، (2) چه متغیرهای تصمیمی را می توان تنظیم کرد، (3) از چه محدودیت هایی (خواص، ایمنی، ظرفیت) هرگز نباید فراتر رفت. محدودیت ها را به طور کامل فهرست کنید. ممکن است یک محدودیت امنیتی فراموش شده باشد، به طور خاص از Midiye بپرسید. سپس راه حل را پیشنهاد دهید.
2) جدول مبادلات:
وقتی متغیر زیر ([متغیر] در محدوده زیر) را تغییر میدهم، یک جدول مبادله نشان دهید که چگونه ممکن است اهداف و محدودیتها تحت تأثیر قرار گیرند: انرژی، خلوص، بازده، هزینه، ایمنی. FITTING مقادیر عددی. در هر سلول "to be filled by simulation" را بنویسید و فقط جهت روند (افزایش/کاهش) را مشخص کنید. سناریوهایی را برای اندازه گیری من پیشنهاد کنید.
3) پیش نویس کد بهینه سازی (پایتون):
با استفاده از scipy.optimize.Purpose: [purpose] یک پیش نویس اسکریپت بهینه سازی بنویسید. متغیرهای تصمیم گیری: [فهرست و محدوده]. محدودیت ها: [محدودیت های برابری/نابرابری]. (1) توابع هدف و محدودیت را به عنوان متغیرهایی تنظیم کنید، (2) حل کننده مناسب را انتخاب کنید و توضیح دهید که چرا آن را انتخاب کرده اید، (3) نتیجه را گزارش کنید و آیا محدودیت ها برآورده شده اند یا خیر. من کد را با یک مشکل تست شناخته شده تأیید می کنم. واحد و مفروضات را بیان کنید.
4) غربالگری ایده یکپارچه سازی انرژی:
روشهای کلاسیکی را که میتوانند مصرف انرژی را در این فرآیند کاهش دهند (یکپارچهسازی گرما، خنثی کردن، پیش گرم کردن، بازیابی، تنظیم شرایط عملیاتی) فهرست کنید و مناسب بودن هر کدام را برای این فرآیند از قبل ارزیابی کنید. برای هر ایده، خطرات احتمالی (سختی کنترل، ایمنی، آلودگی) را نیز مشخص کنید. اینها طرح هایی از ایده ها هستند. من آن را با شبیه سازی و اقتصاد تایید می کنم. فرآیند: [تعریف]
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
این فرآیند را بهینه کنید، انرژی را کاهش دهید.
بدون محدودیت، بدون معیار. هوش مصنوعی ممکن است "بهینه" را پیشنهاد کند که خلوص یا امنیت را قربانی می کند.
اعلان قدرتمند:
نقش شما: مهندس بهینه سازی هدف: به حداقل رساندن انرژی دیگ بخار در ستون تقطیر. متغیر: نسبت رفلاکس (1.2-3.0). محدودیت ها (نمی توان از آنها تجاوز کرد): خلوص اوج محصول >= 99٪، حد سیل ستون، ظرفیت کندانسور. به من بگویید: (1) بررسی کنید که آیا مشکل را به درستی تنظیم کردهام، (2) بپرسید که آیا محدودیتهای امنیتی/کیفی وجود ندارد، (3) سناریوهایی را پیشنهاد کنید که در شبیهسازی امتحان شوند. ساخت ارزش؛ من با شبیه سازی تصمیم خواهم گرفت.
تفاوت واضح است: هدف، محدوده متغیرها، محدودیت های غیرقابل عبور و چارچوب اعتبار سنجی، بهینه سازی را ایمن می کند.
توزیع نقش در بهینه سازی
گام
نقش هوش مصنوعی
تصمیم مرد
تنظیم مشکل
شفاف سازی هدف/متغیر/محدودیت
کامل بودن محدودیت ها
حساسیت
ایجاد فرضیه
تست با شبیه سازی
معامله کردن
قاب، میز
شماره (شبیه سازی)
کد
طرح تیزبینانه
تست، تایید
بهینه
نقطه نامزد
تأیید ایمنی / کاربرد
اشتباهات رایج
- از دست دادن محدودیت ها بهینه سازی نامحدود یک بهینه گمراه کننده به دست می دهد که امنیت یا کیفیت را قربانی می کند.
- اجرای مستقیم بهینه بهینه ریاضی بیشتر برای ایمنی و امکان سنجی آزمایش می شود.
- ساختن هوش مصنوعی اعداد مبادله را تطبیق می دهد. ارزش های مبادله باید از شبیه سازی حاصل شود. هوش مصنوعی فقط چارچوب می سازد.
- استفاده از کد بهینه سازی بدون آزمایش آن کد به مدل واقعی وصل نخواهد شد بدون اینکه در برابر یک مشکل شناخته شده اعتبار سنجی شود.
- محدودیت امنیتی تجارت برای کارایی حاشیه ایمنی غیر قابل مذاکره است. برای بهره وری نقض نمی شود.
به طور خلاصه
هوش مصنوعی در بهینه سازی فرآیند؛ این یک دستیار قدرتمند است که مشکل را چارچوب بندی می کند، فرضیه های حساسیت را ایجاد می کند، مبادلات را چارچوب بندی می کند، ایده های صرفه جویی در انرژی را برمی انگیزد و کد بهینه سازی را پیش نویس می کند. اما نتیجه بهینه سازی بهینه مدل ریاضی است. بدون تایید مهندسان از نظر ایمنی، کیفیت و قابلیت اجرا نمی توان آن را اعمال کرد. تعریف کامل محدودیت ها و حفظ حاشیه ایمنی بدون مذاکره اساس بهینه سازی ایمن است.
وظیفه کاربردی
یک مسئله بهینه سازی را انتخاب کنید (مثلاً به حداقل رساندن انرژی در یک ستون). هدف، متغیرها و محدودیتها را با الگوی «بهینهسازی مسئله مطرح کردن» روشن کنید. از هوش مصنوعی بخواهید به طور خاص بپرسد که آیا محدودیت های امنیتی وجود ندارد. سپس سناریوها را با الگوی "جدول مبادله" شناسایی کنید و آنها را به صورت عددی در شبیه سازی پر کنید (در صورت وجود).
چک لیست
- [ ] من به طور کامل هدف، متغیرهای تصمیم گیری و محدودیت ها را تعریف کرده ام.
- [ ] من محدودیت های امنیتی و کیفیت را به وضوح نوشتم و هوش مصنوعی را وادار کردم که محدودیت گم شده را بخواهد.
- [ ] من اعداد مبادله ای را از شبیه سازی گرفتم، آنها را با هوش مصنوعی مطابقت ندادم.
- [ ] من کد بهینه سازی را با یک مشکل شناخته شده تأیید کردم.
- [ ] همچنین بهینه یافت شده را از نظر امنیت و کاربرد آزمایش کردم.