Pelnas:
- Gebėjimas teisingai sukonstruoti optimizavimo problemą naudojant tikslinę funkciją, sprendimų kintamuosius ir apribojimus bei generuoti scenarijus ir idėjas naudojant dirbtinį intelektą
- Supratimas, kaip svarbu visiškai apibrėžti apribojimus ir toliau tikrinti matematinį optimalumą saugumo ir pritaikomumo požiūriu.
- Supratimas, kad saugumo apribojimas yra nediskutuotinas limitas, kurio negalima pakeisti efektyvumu.
Procesas gali „vykti“, bet ar jis veikia „optimaliai“? Ar yra būdas pagaminti tą patį produktą su mažiau energijos, didesniu efektyvumu ir mažesnėmis sąnaudomis? Šių klausimų sritis yra proceso optimizavimas – proceso kintamųjų koregavimas siekiant optimizuoti tikslą esant tam tikriems apribojimams. Optimizavimas visada yra pusiausvyros dalykas: grynumo išlaikymas mažinant energijos suvartojimą, saugos ir sąnaudų išlaikymas didinant efektyvumą. Šiame skyriuje sužinosite, kaip dirbtinį intelektą panaudoti kaip pagalbinę priemonę formuojant optimizavimo problemą, lyginant scenarijus ir generuojant tobulinimo idėjas; bet mes sužinosime, kodėl kiekvienas siūlomas „patobulinimas“ turi būti patikrintas modeliavimu, saugumu ir ekonomika.
Optimizuodami nuolat susiduriate su trimis sąvokomis. Objektyvi funkcija (objektyvi funkcija – kiekis, kurį reikia optimizuoti; pavyzdžiui, visos energijos sąnaudos), sprendimo kintamieji (reguliuojami kiekiai; temperatūra, slėgis, refliukso greitis) ir apribojimai (ribos, kurių negalima viršyti; gaminio grynumas, saugos riba, įrangos talpa). Geras optimizavimas aiškiai apibrėžia šias tris. AI yra galingas būtent šiame identifikavimo ir pasirinkimo variantų generavimo etape.
Žingsnis po žingsnio AI palaikymas optimizuojant
1. Teisingai suformuluokite problemą. Aš klausiu AI „ką aš noriu optimizuoti, ką galiu pakeisti, ko niekada negaliu pranokti? gauti atsakymus į savo klausimus. Tikslo, kintamųjų ir apribojimų paaiškinimas yra pusė darbo.
2. Atraskite kintamųjų poveikį. AI sukuria hipotezes, kuris kintamasis gali turėti didesnį poveikį tikslui (jautrumui). Tai idėjos, kurias reikia išbandyti modeliuojant.
3. Šiluminės integracijos idėjos. Dirbtinis intelektas primena klasikinius energijos taupymo metodus, tokius kaip atliekų šilumos atgavimas (suspaudimo analizė – metodas, kuris nustato teorinę šilumos atgavimo procese ribą). Jūs įvertinate galimybes.
4. Padaryti kompromisus matomais. AI klausia: "Jei sumažinsite energiją 10%, kaip tai paveiks grynumą, kokia bus kaina?" Jame pateikiami kompromisai, tokie kaip. Skaičiai turi būti gauti iš modeliavimo; AI kuria sistemą.
5. Optimizavimo kodo juodraštis. AI rašo Python optimizavimo scenarijaus juodraštį (pvz., scipy.optimize); nustato tikslo funkciją, apribojimus ir sprendėją. Jūs patikrinate kodą ir rezultatą.
6. Saugumo ir pagrįstumo filtras. Ar siūlomas optimalumas atitinka saugos ribas? Ar tai fiziškai įmanoma? Šis galutinis sprendimas priklauso jums.
Patarimas: optimizuojant dažniausiai pamirštamas dalykas yra apribojimai. Pateikdami problemą dirbtiniam intelektui, aiškiai parašykite saugumo ir kokybės apribojimus; kitu atveju AI gali pasiūlyti optimalų variantą, kuris yra „puikus“ popieriuje, bet iš tikrųjų yra pavojingas arba trikdo gaminį.
„Optimalus“ yra ne rekomendacija, o hipotezė, kurią reikia patikrinti
Kai dirbtinis intelektas arba optimizavimo algoritmas pateikia „gerą vietą“, tai yra geriausias matematinis modelis, o ne tikrasis procesas. Jei modelyje trūksta apribojimų, jis gali viršyti optimalią saugos ribą. Apribojus kintamąjį (pvz., maksimaliai padidinus temperatūrą) gali padidėti popieriaus išeiga, tačiau iš tikrųjų tai gali būti nepriimtina dėl šalutinio poveikio, katalizatoriaus naudojimo trukmės ar saugos. Kiekvienas optimizavimo rezultatas toliau tikrinamas dėl saugumo ir pritaikomumo.
Atsargiai: jei optimizavimo pasiūlymas pažeidžia saugos ribą ("slėgis niekada neturi viršyti", "temperatūra turi likti žemiau išėjimo slenksčio"), jis neįgyvendinamas, nepaisant efektyvumo. Saugos apribojimas yra neaptarta optimizavimo riba.
trys mini dėklai
1 atvejis – energijos taupymo idėja. Distiliavimo sekcijoje YZ pasiūlė šilumos integraciją (šalto pašaro pašildymą karštu produktu) tarp dviejų srautų. Komanda tai išbandė modeliuodama; reboilerio mokestis sumažėjo apie 18%, grynumas išliko. Idėja kilo iš AI, sprendimas buvo priimtas atliekant modeliavimą ir išlaidų analizę.
2 atvejis – nesuvaržyto optimalumo pavojus. Inžinierius paprašė AI rekomenduoti refliukso greitį, kad „sumažintų energiją“, tačiau pamiršo užsirašyti grynumo apribojimą. YZ rekomendavo labai mažą refliuksą; Modeliavimo metu produkto grynumas nukrito žemiau specifikacijos. Pridėjus apribojimą, buvo rastas realus optimalus. Pamoka: nesuvaržytas optimizavimas yra klaidinantis.
3 atvejis – optimizavimo kodas. Viena komanda gavo scipy.optimize projektą iš AI, kad sumažintų trijų kintamųjų sąnaudas. Kodas buvo susietas su tikru modeliu, kai davė teisingą rezultatą dėl paprastos žinomos bandymo problemos. Sprendimas buvo nuoseklus, kai patikrintas tinklelio paieška; bet inžinierius taip pat patvirtino, kad optimalus yra saugos langelyje.
Keturi kopijuojami šablonai
1) Sukurkite optimizavimo problemą:
Jūsų vaidmuo: procesų optimizavimo inžinierius. Mano procesas: [trumpas aprašymas]. Padėkite man išsiaiškinti problemą: (1) kokia turėtų būti tikslinė funkcija (energija / sąnaudos / išeiga), (2) kokie sprendimo kintamieji gali būti koreguojami, (3) kokie apribojimai (grynumas, saugumas, talpa) NIEKADA neturėtų būti viršijami. Visiškai išvardinkite apribojimus; Gali būti pamirštas saugumo apribojimas, paklauskite konkrečiai Midiye. Tada pasiūlykite sprendimo būdą.
2) Kompromisų lentelė:
Parodykite kompromisų lentelę, kaip gali būti paveikti tikslai ir apribojimai, kai pakeisiu šį kintamąjį ([kintamasis], šiame diapazone): energija, grynumas, derlius, kaina, sauga. FITTING skaitinės reikšmės; Kiekviename langelyje parašykite "užpildyti modeliavimu" ir nurodykite tik tendencijos kryptį (didėja/mažėja). Pasiūlykite man išmatuoti scenarijus.
3) Optimizavimo kodo („Python“) juodraštis:
Parašykite optimizavimo scenarijaus juodraštį naudodami scipy.optimize.Purpose: [pose]. Sprendimo kintamieji: [sąrašas ir ribos].Apribojimai: [lygybės/nelygybės apribojimai]. (1) nustatykite tikslo ir apribojimo funkcijas kaip vietos rezervavimo ženklus, (2) pasirinkite tinkamą sprendiklį ir paaiškinkite, kodėl jį pasirinkote, (3) praneškite apie rezultatą ir ar apribojimai įvykdyti. Patikrinsiu kodą su žinoma bandymo problema. Nurodykite vienetą ir prielaidas.
4) Energijos integravimo idėjos atranka:
Išvardykite klasikinius metodus, kurie gali sumažinti energijos sąnaudas šiame procese (šilumos integravimas, suspaudimas, pašildymas, regeneravimas, veikimo sąlygų reguliavimas) ir iš anksto įvertinkite kiekvieno iš jų tinkamumą šiam procesui. Prie kiekvienos idėjos taip pat nurodykite galimą riziką (kontrolės sunkumas, saugumas, užterštumas). Tai idėjų eskizai; Aš tai patikrinsiu modeliavimu ir ekonomika. Procesas: [apibrėžimas]
Silpnas raginimas / Stiprus raginimas
Silpnas raginimas:
Optimizuokite šį procesą, sumažinkite energiją.
Jokių apribojimų, jokių kriterijų. AI gali pasiūlyti „optimalumą“, kuris paaukotų grynumą ar saugumą.
Galingas raginimas:
Jūsų vaidmuo: optimizavimo inžinierius. Tikslas: sumažinti reboilerio energiją distiliavimo kolonoje. Kintamasis: refliukso santykis (1,2-3,0). APRIBOJIMAI (negalima viršyti): didžiausias produkto grynumas >= 99%, kolonėlės užtvindymo riba, kondensatoriaus talpa. Pasakykite man: (1) patikrinkite, ar teisingai nustatiau problemą, (2) paklauskite, ar trūksta saugos / kokybės apribojimų, (3) pasiūlykite, kuriuos scenarijus išbandyti modeliuojant. Vertės kūrimas; Aš nuspręsiu simuliacijos būdu.
Skirtumas akivaizdus: tikslas, kintamųjų diapazonas, neįveikiami apribojimai ir patvirtinimo sistema užtikrina, kad optimizavimas yra saugus.
Vaidmenų pasiskirstymas optimizuojant
žingsnis
AI vaidmuo
vyro sprendimas
Problemos nustatymas
Tikslo / kintamojo / apribojimo paaiškinimas
Apribojimų baigtumas
Jautrumas
hipotezių generavimas
Testavimas imituojant
kompromisas
rėmas, stalas
Skaičius (modeliavimas)
Kodas
scipy eskizas
testavimas, patikra
optimalus
kandidato taškas
Saugos / pritaikomumo patvirtinimas
Dažnos klaidos
- Trūksta suvaržymų. Neribotas optimizavimas duoda klaidinantį optimalumą, dėl kurio paaukojama saugumas arba kokybė.
- Optimalus įgyvendinimas tiesiogiai. Matematinis optimalumas toliau tikrinamas dėl saugumo ir pagrįstumo.
- Priversti AI pritaikyti kompromisinius skaičius. Kompromisinės vertės turėtų būti gaunamos iš modeliavimo; AI kuria tik sistemas.
- Optimizavimo kodo naudojimas jo neišbandęs. Kodas nebus prijungtas prie tikrojo modelio nepatvirtinus žinomos problemos.
- Prekybos saugumo apribojimas siekiant efektyvumo. Saugumo riba yra nediskutuotina; nėra pažeidžiamas dėl efektyvumo.
Apibendrinant
AI optimizuojant procesą; Tai galingas asistentas, įrėminantis problemą, generuojantis jautrumo hipotezes, įrėminantis kompromisus, sužadinantis energijos taupymo idėjas ir rengiantis optimizavimo kodą. Tačiau optimizavimo rezultatas yra matematinio modelio optimalus; Jis negali būti taikomas be inžinierių patikrinimo saugos, kokybės ir pritaikomumo požiūriu. Visiškas apribojimų nustatymas ir saugos ribos išlaikymas be derybų yra saugaus optimizavimo pagrindas.
Taikymo užduotis
Pasirinkite optimizavimo problemą (pvz., energijos sumažinimas stulpelyje). Išsiaiškinkite tikslą, kintamuosius ir apribojimus naudodami „optimizavimo problemos keliamą“ šabloną; Paprašykite AI konkrečiai paklausti, ar nėra kokių nors saugos apribojimų. Tada identifikuokite scenarijus naudodami „kompromisų lentelės“ šabloną ir užpildykite juos skaitiniais modeliais (jei taikoma).
kontrolinis sąrašas
- [ ] Visiškai apibrėžiau tikslą, sprendimo kintamuosius ir apribojimus.
- [ ] Aiškiai parašiau saugumo ir kokybės apribojimus ir priverčiau AI paprašyti trūkstamo apribojimo.
- [ ] Kompromisinius skaičius paėmiau iš modeliavimo, nepritaikiau jų pritaikyti dirbtiniam intelektui.
- [ ] Patikrinau optimizavimo kodą su žinoma problema.
- [ ] Taip pat išbandžiau rastą optimalumą saugumo ir pritaikomumo požiūriu.