Прибыль:
- Способность правильно построить задачу оптимизации с помощью целевой функции, переменных решения и ограничений, а также генерировать сценарии и идеи с помощью искусственного интеллекта.
- Понимание важности полного определения ограничений и возможности дальнейшего тестирования математического оптимума с точки зрения безопасности и применимости.
- Понимание того, что ограничение безопасности — это непреложный предел, который нельзя обменять на эффективность.
Процесс может быть «запущен», но работает ли он «оптимально»? Есть ли способ производить тот же продукт с меньшими затратами энергии, более высокой эффективностью и меньшими затратами? Область, которая занимается этими вопросами, — это оптимизация процессов — корректировка переменных процесса для оптимизации цели при определенных ограничениях. Оптимизация – это всегда вопрос баланса: поддержание чистоты при снижении энергопотребления, поддержание безопасности и затрат при одновременном повышении эффективности. В этом модуле вы узнаете, как использовать искусственный интеллект в качестве средства для постановки задачи оптимизации, сравнения сценариев и генерации идей по улучшению; но мы узнаем, почему каждое предлагаемое «улучшение» должно быть проверено с помощью моделирования, безопасности и экономики.
В оптимизации вы постоянно сталкиваетесь с тремя понятиями. Целевая функция (целевая функция – количество, которое необходимо оптимизировать; например, общие затраты энергии), переменные решения (регулируемые количества; температура, давление, скорость рециркуляции) и ограничения (пределы, которые не следует превышать; чистота продукта, предел безопасности, мощность оборудования). Хорошая оптимизация четко определяет эти три. ИИ эффективен именно на этом этапе идентификации и формирования вариантов.
Пошаговая поддержка ИИ при оптимизации
1. Правильно сформулируйте задачу. Я спрашиваю ИИ: «Что я хочу оптимизировать, что я могу изменить, что я никогда не смогу превзойти?» получить ответы на свои вопросы. Уточнение цели, переменных и ограничений — это половина дела.
2. Выясните влияние переменных. ИИ выдвигает гипотезы о том, какая переменная может иметь большее влияние на цель (чувствительность). Это идеи, которые необходимо проверить с помощью моделирования.
3. Идеи тепловой интеграции. ИИ напоминает классические подходы к энергосбережению, такие как рекуперация отходящего тепла (пинч-анализ — метод, который находит теоретический предел рекуперации тепла в процессе). Вы оцениваете целесообразность.
4. Сделать компромиссы видимыми. ИИ спрашивает: «Если вы уменьшите энергию на 10%, как повлияет на чистоту, какова будет стоимость?» В нем показаны компромиссы, такие как. Цифры должны быть получены в результате моделирования; ИИ создает основу.
5. Проект кода оптимизации. ИИ пишет черновой вариант скрипта оптимизации Python (например, scipy.optimize); устанавливает целевую функцию, ограничения и решатель. Вы проверяете код и результат.
6. Фильтр безопасности и разумности. Находится ли предлагаемый оптимум в пределах безопасности? Это физически осуществимо? Это окончательное решение за вами.
Совет: при оптимизации чаще всего забывают об ограничениях. Четко пропишите ограничения безопасности и качества, передавая проблему ИИ; в противном случае ИИ может предложить оптимум, который на бумаге «отличен», но на самом деле опасен или вреден для продукта.
«Оптимум» — это не рекомендация, а гипотеза, требующая проверки.
Когда ИИ или алгоритм оптимизации возвращают «золотую середину», это лучшее из математической модели, а не реального процесса. Если модель содержит отсутствующее ограничение, она может превысить оптимальный предел безопасности. Ограничение переменной (например, максимизация температуры) может увеличить выход на бумаге, но на самом деле может быть неприемлемо с точки зрения побочных реакций, срока службы катализатора или безопасности. Каждый результат оптимизации дополнительно проверяется на безопасность и применимость.
Внимание: если предложение по оптимизации нарушает предел безопасности («давление никогда не должно превышать», «температура должна оставаться ниже порога выхода»), оно не реализуется независимо от эффективности. Ограничение безопасности — это непреложный предел оптимизации.
три мини-кейса
Кейс 1 — Идея энергосбережения. В секции дистилляции компания YZ предложила интеграцию тепла (предварительный нагрев холодного сырья горячим продуктом) между двумя потоками. Команда проверила это в моделировании; Производительность ребойлера снизилась примерно на 18%, чистота сохранилась. Идея пришла от искусственного интеллекта, решение было принято посредством моделирования и анализа затрат.
Случай 2 — Опасность безусловного оптимума. Инженер попросил ИИ порекомендовать скорость рециркуляции для «минимизации энергии», но забыл записать ограничение чистоты. YZ рекомендовал очень низкий уровень рефлюкса; В ходе моделирования чистота продукта упала ниже спецификации. Когда ограничение было добавлено, был найден реалистичный оптимум. Урок: неограниченная оптимизация вводит в заблуждение.
Случай 3 — Код оптимизации. Одна команда получила от ИИ черновик scipy.optimize для минимизации затрат с тремя переменными. Код был связан с реальной моделью, когда он давал правильный результат при решении простой известной тестовой задачи. Решение было последовательным при проверке поиска по сетке; но инженер далее подтвердил, что оптимум находится в пределах окна безопасности.
Четыре копируемых шаблона
1) Создание задачи оптимизации:
Ваша роль: инженер по оптимизации процессов. Мой процесс: [краткое описание]. Помогите мне прояснить проблему: (1) какой должна быть целевая функция (энергия/затраты/выход), (2) какие переменные решения можно регулировать, (3) какие ограничения (чистота, безопасность, производительность) НИКОГДА не следует превышать. Полностью перечислите ограничения; Возможно, есть забытое ограничение безопасности, спросите конкретно у Midiye. Затем предложите подход к решению.
2) Таблица компромиссов:
Покажите таблицу компромиссов, как могут повлиять на цели и ограничения изменения следующей переменной ([переменная] в следующем диапазоне): энергия, чистота, выход, стоимость, безопасность. ПОДХОДЯЩИЕ числовые значения; В каждой ячейке напишите «заполняется моделированием» и укажите только направление тренда (увеличение/уменьшение). Предложите мне сценарии для измерения.
3) Черновик кода оптимизации (Python):
Напишите черновик сценария оптимизации, используя scipy.optimize.Purpose: [цель]. Переменные решения: [список и границы]. Ограничения: [ограничения равенства/неравенства]. (1) установите целевые функции и функции ограничений в качестве заполнителей, (2) выберите подходящий решатель и объясните, почему вы его выбрали, (3) сообщите о результате и о том, удовлетворены ли ограничения. Я проверю код с помощью известной тестовой проблемы. Укажите единицу измерения и предположения.
4) Проверка идеи энергетической интеграции:
Перечислите классические подходы, позволяющие снизить энергозатраты в этом процессе (интеграция тепла, пинч, предварительный нагрев, рекуперация, корректировка рабочего режима) и предварительно оцените пригодность каждого для данного процесса. Для каждой идеи также укажите возможные риски (сложность контроля, безопасность, загрязнение). Это наброски идей; Я проверю это с помощью моделирования и экономики. Процесс: [определение]
Слабая подсказка / Сильная подсказка
Слабая подсказка:
Оптимизируйте этот процесс, сократите энергию.
Никаких ограничений, никаких критериев. ИИ может предложить «оптимум», жертвующий чистотой или безопасностью.
Мощная подсказка:
Ваша роль: инженер по оптимизации. Цель: минимизировать энергию ребойлера в ректификационной колонне. Переменная: рефлюксное число (1,2-3,0). ОГРАНИЧЕНИЯ (не могут быть превышены): максимальная чистота продукта >= 99%, предел заполнения колонки, емкость конденсатора. Скажите мне: (1) проверьте, правильно ли я определил задачу, (2) спросите, отсутствуют ли какие-либо ограничения безопасности/качества, (3) предложите, какие сценарии можно попробовать в моделировании. фабрикация ценностей; Я буду решать путем моделирования.
Разница очевидна: цель, диапазон переменных, непреодолимые ограничения и структура проверки делают оптимизацию безопасной.
Распределение ролей в оптимизации
шаг
Роль ИИ
мужское решение
Постановка проблемы
Уточнение цели/переменной/ограничения
Полнота ограничений
Чувствительность
генерация гипотезы
Тестирование путем моделирования
компромисс
рама, стол
Число (моделирование)
Код
пикантный эскиз
тестирование, проверка
оптимальный
балл-кандидат
Подтверждение безопасности/применимости
Распространенные ошибки
- Отсутствие ограничений. Неограниченная оптимизация приводит к ошибочному оптимальному результату, жертвующему безопасностью или качеством.
- Непосредственная реализация оптимума. Математический оптимум дополнительно проверяется на безопасность и осуществимость.
- Заставить ИИ адаптировать компромиссные цифры. Компромиссные значения должны быть получены в результате моделирования; ИИ только строит рамки.
- Использование кода оптимизации без его тестирования. Код не будет связан с реальной моделью без проверки на наличие известной проблемы.
- Ограничение торговой безопасности для эффективности. Запас прочности не подлежит обсуждению; не нарушается ради эффективности.
В заключение
ИИ в оптимизации процессов; Это мощный помощник, который формулирует проблему, генерирует гипотезы чувствительности, определяет компромиссы, предлагает идеи по энергосбережению и разрабатывает код оптимизации. Но результат оптимизации — это оптимум математической модели; Его нельзя применять без проверки инженерами с точки зрения безопасности, качества и применимости. Полное определение ограничений и поддержание запаса безопасности без согласования является основой безопасной оптимизации.
Задача приложения
Выберите задачу оптимизации (например, минимизация энергии в колонне). Уточните цель, переменные и ограничения с помощью шаблона «Постановка задачи оптимизации»; Попросите ИИ специально спросить, отсутствуют ли какие-либо ограничения безопасности. Затем определите сценарии с помощью шаблона «таблицы компромиссов» и заполните их численно в моделировании (если применимо).
контрольный список
- [ ] Я полностью определил цель, переменные решения и ограничения.
- [ ] Я четко прописал ограничения безопасности и качества и заставил ИИ запрашивать недостающее ограничение.
- [ ] Я взял компромиссные числа из моделирования, я не подгонял их под ИИ.
- [ ] Я проверил код оптимизации на наличие известной проблемы.
- [ ] Я также протестировал найденный оптимум с точки зрения безопасности и применимости.