جدول المحتويات
تحسين أداء المفاعلات بتعلم الآلة يعني استخدام نماذج تتعلم من التجارب أو من بيانات المصنع لإيجاد درجات الحرارة والضغوط ونسب التغذية وأزمنة المكوث التي تعطي أفضل مردود أو انتقائية أو أقل استهلاك للطاقة ضمن حدود السلامة. وهو يعمل اليوم على أفضل وجه في المختبر والوحدة التجريبية، أو مستشارًا لنظام التحكم القائم، لا وحدة تحكم مستقلة.
أهم النقاط
- في المختبر، يقود التحسين البايزي مفاعلات «التحسين الذاتي». فقد بلغت منصة آلية تعمل بالتدفق المستمر مردودًا إجماليًا قدره 81% في نحو 14 ساعة لعملية تخليق متتابعة.
- نادرًا ما تغطي بيانات التشغيل العادي ما يكفي من نطاق التشغيل. ففي اختبارات المصنع الخاصة بالتحكم التنبؤي بالنموذج (MPC) التي تصفها دراسة مسحية صناعية، يُحرَّك كل متغير مُعالَج من 8 إلى 15 مرة خطوية على مدى قد يصل إلى 5 إلى 15 يومًا.
- تحتفظ النماذج الهجينة بموازنات الكتلة والحركية الكيميائية ولا تتعلم إلا الجزء المجهول. ومع ذلك، في مفاعل دفعات صناعي، اضطُر الباحثون إلى إعادة ضبط ثابت سرعة بقيمة أقل بنسبة 30% على النطاق الصناعي.
- ما زال التعلم المعزز في الغالب موضوع بحث بالنسبة إلى المفاعلات. وما تصفه Yokogawa بأنه أول اعتماد رسمي له في التحكم المباشر في مصنع كان على عمود تقطير.
- يجب أن يبقى كل مُحسِّن داخل نطاق السلامة: فسرعة التفاعل تتضاعف تقريبًا مع كل ارتفاع بمقدار 10 °C.
ماذا يعني تحسين أداء المفاعل؟
لمسألة تحسين المفاعل ثلاثة أجزاء.
- الهدف: التحويل، أو الانتقائية، أو المردود، أو معدل الإنتاج، أو الطاقة لكل طن، أو عمر المحفّز، أو هامش ربح يجمع بينها.
- متغيرات القرار: درجة الحرارة أو منحناها، والضغط، ونسب التغذية، وزمن المكوث أو معدل التغذية، وجرعة المحفّز، ومدة الدفعة.
- القيود: الحد الأقصى لدرجة الحرارة والضغط، وقدرة التبريد، ومواصفات المنتج، وما تستطيع وحدة الفصل اللاحقة استيعابه.
للقيود أهمية أكبر مما يُتوقع. إذ تشير دراسة مسحية مرجعية حول التحكم التنبؤي الصناعي إلى أن نقطة التشغيل الاقتصادية لوحدة معالجة نموذجية تقع غالبًا عند تقاطع القيود. فتحسين المفاعل يعني عادة الاقتراب من هذه الحدود دون تجاوزها، ولذلك فإن ما يهم هو دقة النموذج بالقرب من الحدود.
أين يقع تعلم الآلة في منظومة التحكم بالمصنع؟
تصف الدراسة نفسها التسلسل الهرمي المعتاد: تحسين اقتصادي على مستوى المصنع مرة في اليوم تقريبًا، وتحسين محلي للوحدة كل ساعة تقريبًا، وتحكم تنبؤي بالنموذج كل دقيقة تقريبًا، وتحكم PID أساسي في نظام DCS كل ثانية (Qin and Badgwell, 2003).
ويمكن لتعلم الآلة أن يدخل على كل مستوى: نموذجًا داخل المُحسِّن، أو نموذجًا داخل وحدة MPC، أو مستشعرًا برمجيًا يقدّر متغيرًا نوعيًا تحتاجه المستويات الأخرى. وما زالت معظم تطبيقات MPC الصناعية تستخدم نماذج خطية تُحدَّد من اختبارات في المصنع. ففي المسح الذي أُجري لدى المورّدين في منتصف 1999، أُحصي نحو 4,500 تطبيق MPC خطي مقابل 93 تطبيقًا غير خطي، وكانت أكثر القطاعات تطبيقًا للنماذج غير الخطية هي الكيماويات والبوليمرات ومعالجة الهواء والغاز.
ما مناهج تعلم الآلة المستخدمة في المفاعلات؟
| النهج | يتعلم من | مجال الاستخدام | الخطر الرئيسي |
|---|---|---|---|
| التحسين البايزي للتجارب | تجارب مخبرية أو تجريبية تُختار دفعة بعد دفعة | مفاعلات المختبر والوحدات التجريبية | قد لا ينتقل الأمثل المكتشف على نطاق صغير إلى النطاق الكبير |
| نموذج بديل لمحاكي العمليات | تشغيلات لنموذج صارم | دراسات التصميم وسيناريوهات «ماذا لو» | يرث أخطاء المحاكي |
| نموذج بيانات للمصنع مع مُحسِّن | قاعدة البيانات التاريخية والمختبر | قيم مرجعية في الوضع الاستشاري | بيانات مترابطة وضيقة النطاق؛ الاستقراء خارجها |
| نموذج هجين (حركية مع حدود متعلَّمة) | بيانات المختبر والمصنع | تكبير النطاق، وتحسين الوحدة، وMPC | جهد نمذجة أكبر |
| نموذج غير خطي داخل MPC | اختبارات خطوية في المصنع | التحكم في حلقة مغلقة | كلفة الاختبارات وصيانة النموذج |
| التعلم المعزز | المحاكي ثم المصنع | البحث والتجارب الأولى | لا ضمانات مدمجة للسلامة أو الاستقرار |
يتناول دليلنا حول النماذج البديلة للعمليات الكيميائية الصف الثاني بالتفصيل.
كيف يعمل التحسين البايزي في مفاعلات المختبر والوحدات التجريبية؟
يجمع مفاعل التحسين الذاتي ثلاثة عناصر: مفاعل يمكنه العمل دون إشراف، غالبًا بالتدفق المستمر؛ وتحليل مباشر على الخط؛ وخوارزمية تقرأ كل نتيجة وتختار الظروف التالية.
بنى Clayton وزملاؤه منصة من هذا النوع لعملية تخليق متتابعة، باستخدام جهاز HPLC واحد على الخط يأخذ عينات عند مخرج كل مفاعل. وعدّل المُحسِّن أربعة متغيرات، منها زمن المكوث ودرجة حرارة المفاعل الأول، وحدّد مردودًا إجماليًا قدره 81% في نحو 14 ساعة.
ونادرًا ما يكون للمفاعل الحقيقي هدف واحد. فقد طبّق Schweidtmann وزملاؤه خوارزمية تعلم آلي متعددة الأهداف على تفاعلين بالتدفق المستمر، ووجدت منحنى المفاضلة بين الأهداف البيئية والاقتصادية في الحالتين، بعدد تجارب أقل مما احتاجته عمليات التحسين أحادية الهدف ودون معاملات ترجيح اعتباطية.
كما أن المفاعل ليس العملية كلها. فقد حسّنت دراسة لاحقة التفاعلات مع مرحلة المعالجة اللاحقة، وبيّنت كيف يُعاد تقييم الظروف المثلى عندما تتغير متطلبات المعالجة اللاحقة. فأفضل تحويل ليس دائمًا أفضل نتيجة للمصنع.
وهناك حدّان. فالتحسين البايزي أنسب ما يكون لأقل من 20 متغيرًا مستمرًا ولتجارب تستغرق دقائق أو ساعات. كما أن المقارنات مع البشر مشجعة لكنها محددة: ففي تفاعل محفَّز بالبلاديوم، تفوّق على كيميائيين خبراء في متوسط الكفاءة وفي الثبات. وتشرح مقارنتنا بين تصميم التجارب والتحسين البايزي متى يبقى التصميم الكلاسيكي هو الخيار الأفضل.
لماذا يصعب التعلم من بيانات المصنع؟
لا يستطيع أحد إجراء تجارب حرة على مفاعل إنتاج. فقاعدة البيانات التاريخية تحوي سنوات من البيانات، لكن أنظمة التحكم تُبقي معظم المتغيرات قريبة من قيمها المرجعية، وتتحرك المدخلات معًا، ويبقى النطاق المغطى ضيقًا. وقد يطابق نموذج هذا السجل جيدًا ومع ذلك يتنبأ بالاتجاه الخطأ عندما يحرّك المُحسِّن متغيرًا واحدًا بمفرده.
وتبيّن ممارسة MPC ما يلزم للحصول على بيانات مفيدة. ففي بروتوكول اختبار المصنع الذي تصفه الدراسة المسحية، يجب أن تثير إشارات الاختبار السلوك المستقر والديناميكي للعملية معًا. ويُحرَّك كل متغير مُعالَج من 8 إلى 15 مرة خطوية، مع نسبة إشارة إلى ضجيج لا تقل عن ستة في المخرج، وقد يستغرق الاختبار ما يصل إلى 5 إلى 15 يومًا. وتضيف الدراسة أن النموذج التجريبي غير الخطي يحتاج إلى بيانات اختبار أكثر من النموذج الخطي.
والحل العملي هو التخطيط لاختبارات خطوية صغيرة ومعتمدة بدل الأمل في أن يحوي السجل التاريخي الإجابة. ويتناول دليلنا حول استخراج بيانات قاعدة البيانات التاريخية لتعلم الآلة جانب البيانات.
لماذا تهم النماذج الهجينة في المفاعلات؟
يحتفظ النموذج الهجين بما هو معروف، مثل موازنات الكتلة والطاقة ومخطط التفاعل، ولا يستخدم مكوّنًا قائمًا على البيانات إلا لما هو غير معروف. وتخلص مراجعة للنمذجة الهجينة في هندسة العمليات إلى أنها لا تعطي نتائج أفضل تلقائيًا، لكن الدمج المدروس للمعرفة يمكن أن يحسّن بدرجة كبيرة التشغيل والتصميم القائمين على النماذج.
وتوضح حالة صناعية من ETH Zurich السبب. فقد وصفت حركية مضبوطة على تجارب مخبرية بحجم 1 kg بيانات المختبر بمعامل تحديد R² يقارب 98%. وفي وعاء الإنتاج بسعة 6 m³، كانت إزالة أحد النواتج الثانوية تتوقف على الحجم، فأُضيفت شبكتان عصبيتان لتقديرها. وحتى مع ذلك، لزمت إعادة ضبط أحد ثوابت السرعة بقيمة أقل بنحو 30% على النطاق الصناعي، ربما لأن نشاط المحفّز كان مختلفًا. وبعد ذلك طابق النموذج الهجين قياسات المصنع جيدًا.
والدرس: النموذج المدرَّب في المختبر نقطة انطلاق، لا نموذج للمصنع. خطّطوا لإعادة المعايرة على بيانات المصنع.
هل التعلم المعزز جاهز للتحكم في المفاعلات؟
ليس بالنسبة إلى معظم المفاعلات الطاردة للحرارة. إذ تشير دراسة مسحية صدرت عام 2025 حول التعلم المعزز في هندسة أنظمة العمليات إلى أن ضمانات الاستقرار في الحلقة المغلقة تبقى حاسمة في الممارسة لكن الصيغ المعيارية لا تعالجها في الأصل، وإلى أن كلفة الحصول على البيانات عائق كبير في عمليات الدفعات.
وأشهر حالة صناعية لا تخص مفاعلًا. ففي عام 2023 أعلنت Yokogawa أن ذكاءها الاصطناعي القائم على التعلم المعزز اعتُمد رسميًا للتحكم في عمود تقطير في مصنع تابع لـ ENEOS Materials بعد اختبار ميداني دام قرابة سنة. وتذكر الشركة انخفاضًا بنسبة 40% في البخار الذي كان يُستخدم للحفاظ على مستوى السائل، مقارنة بالتحكم اليدوي. وهذا ادعاء من المورّد يخص نوعًا آخر من الوحدات، وليس مرجعًا للمفاعلات.
ما حدود السلامة التي يجب أن يحترمها المُحسِّن؟
تشرح هيئة الصحة والسلامة البريطانية (HSE) الخطر الأساسي. يبدأ الانفلات الحراري عندما تتجاوز الحرارة الناتجة عن التفاعل الحرارة المُزالة. فإزالة الحرارة تزداد خطيًا مع درجة الحرارة، بينما يزداد إنتاج الحرارة أسيًا، وتقول قاعدة تقريبية إن سرعة التفاعل تتضاعف مع كل ارتفاع بمقدار 10 °C. ويزيد الحجم الأمر سوءًا، لأن الحرارة الناتجة تزداد مع الحجم بينما يتوقف التبريد على مساحة سطح التبادل.
وتعدّد الهيئة أسباب الحوادث: فهم غير كافٍ لكيمياء العملية وكيمياء الحرارة الخاصة بها، وتصميم غير كافٍ لإزالة الحرارة، وأنظمة تحكم وسلامة غير كافية، وإجراءات تشغيل غير كافية. وفي ديسمبر 2007، دمّر تفاعل منفلت مفاعل دفعات سعته 2,500 غالون في شركة T2 Laboratories بولاية فلوريدا، وأودى بحياة أربعة موظفين. ووجد مجلس سلامة المواد الكيميائية الأمريكي (CSB) عطلًا مرجحًا في التبريد وتفاعلًا ثانيًا طاردًا للحرارة غير مقصود كان يحدث فوق 390 °F، أي أعلى بقليل من درجة حرارة الإنتاج العادية.
وبالنسبة إلى مُحسِّن قائم على تعلم الآلة، ينتج عن ذلك قواعد صارمة:
- تحديد حدوده داخل النطاق الذي أثبتته قياسات المسعرية ودراسة HAZOP وفريق سلامة العمليات، لا انطلاقًا من البيانات وحدها.
- إبقاء أنظمة الفصل وأنظمة السلامة الآلية خارج متناوله.
- التعامل مع أي نطاق تشغيل جديد بوصفه تعديلًا يخضع لإجراء إدارة التغيير (MOC) لديكم.
- نمذجة القيود، مثل قدرة التبريد ودرجة الحرارة القصوى، لا الهدف وحده.
كيف نبدأ خطوة بخطوة؟
- اختيار مفاعل واحد وهدف واحد. وتحديد قيمته، مثل الهامش الذي تحققه نقطة واحدة من الانتقائية.
- كتابة القيود مع فريق سلامة العمليات. الحد الأقصى لدرجة الحرارة والضغط، وقدرة التبريد، ومواصفات المنتج، وحدود الوحدات اللاحقة.
- مراجعة البيانات. وسوم قاعدة البيانات التاريخية، ونتائج المختبر مع أوقات أخذ العينات، وتحاليل اللقيم، وعمر المحفّز، والأحداث مثل التوقفات.
- اختيار النهج حيث يكمن عدم اليقين. التحسين البايزي لأعمال المختبر والوحدة التجريبية، والنموذج البديل عند وجود محاكٍ موثوق، والنموذج الهجين عندما تكون الحركية معروفة وسلوك المصنع غير معروف.
- بناء نموذج مرجعي بسيط أولًا. واختباره على فترة لاحقة والتحقق من اتجاه كل تأثير مع مهندسي العمليات.
- التشغيل في الوضع الاستشاري. يقترح المُحسِّن تحريكات صغيرة ضمن نطاق ضيق، ويتخذ المشغلون القرار، وتُسجَّل النتائج المتوقعة مقابل الفعلية. ويتناول دليلنا حول دمج الذكاء الاصطناعي مع أنظمة SCADA وOT جانب الربط.
- توسيع النطاق باختبارات خطوية مخطط لها، يُعتمد كل منها في إطار إدارة التغيير.
- مراقبة الانجراف. تتغير ديناميكية العملية مع ظروف التشغيل وتقادم المحفّز. ويشرح دليلنا حول مراقبة انجراف النماذج ما ينبغي تتبّعه.
ما رأيناه في KABAS AI
صُمّم Virtual Lab لاختبار التركيبات ومعاملات العمليات افتراضيًا قبل مرحلة المختبر أو الوحدة التجريبية. والمشروعان اللذان نعرضهما علنًا مشروعا تركيبات، لا تحكم في مفاعلات، ولم ننشر مشروعًا لتحسين أداء مفاعل.
ومع ذلك تبقى دروسهما صالحة. ففي ENAD Shymeca نُقلت بيانات التركيبات التاريخية إلى المنصة قبل استخدامها في التنبؤ، وتذكر دراسة الحالة انخفاضًا بنسبة 40% في دورات الاختبارات الفيزيائية. وفي ADFC (مجمع سوناطراك) يوازن التحسين متعدد المعايير بين عدة أهداف في وقت واحد، وتوجّه المقارنة بين النتائج المحاكاة والفعلية عمليات التحسين.
وفي المفاعلات ينطبق المنهج نفسه: البدء في المختبر أو الوحدة التجريبية حيث التجارب أقل كلفة وخطرًا، وتأكيد كل تنبؤ بقياس، والانتقال إلى المصنع في الوضع الاستشاري أولًا. ويشرح دليلنا حول Virtual Lab للبحث والتطوير الصناعي هذا النهج، وتبيّن صفحة حلول الكيمياء كيف يندمج في شركة كيميائية، ويبني فريق علوم البيانات لدينا نماذج على البيانات الصناعية وينشرها على بنيتكم التحتية الخاصة. وبالنسبة إلى مفاعلات الدفعات، اطّلعوا أيضًا على تحليل الدفعة الذهبية.
المصادر
- Qin and Badgwell, A survey of industrial model predictive control technology, Control Engineering Practice 11, 2003
- Clayton et al., Bayesian Self-Optimization for Telescoped Continuous Flow Synthesis, Angewandte Chemie International Edition, 2023
- Schweidtmann et al., Machine learning meets continuous flow chemistry: Automated optimization towards the Pareto front of multiple objectives, Chemical Engineering Journal 352, 2018
- Clayton et al., Automated self-optimisation of multi-step reaction and separation processes using machine learning, Chemical Engineering Journal 384, 2020
- Frazier, A Tutorial on Bayesian Optimization, arXiv 1807.02811, 2018
- Shields et al., Bayesian reaction optimization as a tool for chemical synthesis, Nature 590, 2021
- von Stosch et al., Hybrid semi-parametric modeling in process systems engineering: Past, present and future, Computers and Chemical Engineering 60, 2014
- Simon, Fischer and Hungerbühler, Modeling of a three-phase industrial batch reactor using a hybrid first-principles neural-network model, ESCAPE17, 2007
- Bloor et al., Survey and Tutorial of Reinforcement Learning Methods in Process Systems Engineering, arXiv 2510.24272, 2025
- Yokogawa, Autonomous control AI officially adopted for use at an ENEOS Materials chemical plant, press release, March 2023
- UK Health and Safety Executive, Chemical reaction hazards and the risk of thermal runaway, INDG254
- US Chemical Safety Board, CSB finds T2 Laboratories explosion caused by failure of cooling system resulting in runaway chemical reaction
الأسئلة الشائعة
هل يمكن لتعلم الآلة أن يحل محل النموذج الحركي لمفاعلي؟
غالبًا لا، ونادرًا ما يكون ذلك ضروريًا. فالنموذج الحركي يتضمن موازنات الكتلة والطاقة وآليات التفاعل، وهي أمور لا يستطيع نموذج بيانات بحت تعلّمها من نطاق تشغيل محدود. أما النموذج الهجين فيحتفظ بهذه البنية ولا يستخدم تعلم الآلة إلا للجزء غير المعروف جيدًا، مثل معدل إزالة يتغير مع الحجم أو حدّ يمثل نشاط المحفّز.
كم تجربة يحتاج مفاعل التحسين الذاتي؟
لا يوجد عدد ثابت. فالأمر يتوقف على عدد المتغيرات المدروسة، ومستوى الضجيج في التحليل، وطريقة اختيار التجارب الأولى. ويناسب التحسين البايزي على الأكثر أقل من 20 متغيرًا مستمرًا، وقد بلغت منصة آلية منشورة تعمل بالتدفق المستمر مردودًا إجماليًا قدره 81% لعملية تخليق متتابعة في نحو 14 ساعة.
هل يمكن تحسين المفاعل انطلاقًا من بيانات قاعدة البيانات التاريخية وحدها؟
جزئيًا فقط. ففي التشغيل العادي تُبقي أنظمة التحكم معظم المتغيرات قريبة من قيمها المرجعية، فيغطي السجل نطاقًا ضيقًا وتتحرك المدخلات معًا. وقد يتنبأ نموذج مدرَّب على هذه البيانات تنبؤًا جيدًا ومع ذلك يعطي الاتجاه الخطأ عندما يحرّك المُحسِّن متغيرًا واحدًا بمفرده. لذلك تلزم عادة اختبارات خطوية صغيرة ومخطط لها لسدّ هذه الثغرات.
هل ينبغي أن يكتب مُحسِّن تعلم الآلة القيم المرجعية مباشرة في نظام DCS؟
ليس في البداية. ابدؤوا بالوضع الاستشاري، حيث يقترح المُحسِّن تحريكات ضمن نطاق ضيق ويتخذ المشغلون القرار، مع مقارنة النتائج المتوقعة بالفعلية. ويأتي الاستخدام في حلقة مغلقة لاحقًا، عبر طبقة التحكم المتقدم القائمة وضمن حدود تضعها سلامة العمليات. وتبقى أنظمة الفصل وأنظمة السلامة الآلية خارج متناول المُحسِّن.
هل يُستخدم التعلم المعزز للتحكم في المفاعلات صناعيًا؟
نادرًا. إذ تصف Yokogawa اعتمادها عام 2023 في مصنع تابع لـ ENEOS Materials بأنه أول استخدام رسمي للتعلم المعزز في التحكم المباشر في مصنع، وكانت الوحدة المعنية عمود تقطير لا مفاعلًا. وما زالت المراجعات العلمية تشير إلى كلفة البيانات وغياب ضمانات استقرار مدمجة بوصفهما عائقين.
هل يمكن تشغيل هذه النماذج على خوادمنا الخاصة؟
نعم. فالنماذج البديلة والنماذج الهجينة ونماذج التحسين البايزي صغيرة ولا تحتاج إلى اتصال بالإنترنت بعد تدريبها. ولأنها تختزن ظروف التفاعل والخبرة التشغيلية للمصنع، تحتفظ شركات كثيرة بالبيانات والنماذج معًا على بنيتها التحتية الخاصة.



