جدول المحتويات
النموذج البديل (surrogate model) تقريب إحصائي سريع لنموذج عملية بطيء، مثل محاكاة مخطط عملية (flowsheet) أو نموذج مفاعل أو دراسة CFD. نشغّل النموذج الدقيق عند نقاط مختارة، ونبني نموذج انحدار أو تعلم آلي على النتائج، ونختبره على عمليات محاكاة لم يرها، ثم نستخدمه في التحسين ودراسات السيناريوهات داخل نطاقه الذي تم التحقق منه.
أهم النقاط
- يحل النموذج البديل محل المحاكي لا محل المصنع. فهو يتعلم من عمليات المحاكاة، بينما يتعلم المستشعر البرمجي من بيانات المصنع والمختبر.
- لا يكون مجديًا إلا إذا كان النموذج الدقيق بطيئًا ويُستدعى مرات كثيرة. ففي حالة دورة تبريد للغاز الطبيعي المسال (LNG)، وجد التحسين بالنموذج البديل ظروف التشغيل المثلى في ساعتين بدل 3 أسابيع؛ وفي دراسة أخرى، لم يحقق نموذج بسيط لمفاعل الأمونيا أي توفير في الوقت.
- نحو 10 عمليات محاكاة لكل متغير إدخال تجربة أولى معقولة (Loeppky et al., 2009).
- ستعثر خوارزمية التحسين على أخطاء النموذج البديل. أكّدوا كل نقطة مثلى مقترحة بالنموذج الدقيق، وأبقوا البحث داخل النطاق الذي أُخذت منه العينات.
- تغطي الأدوات مفتوحة المصدر سير العمل بأكمله. والصعوبة الحقيقية في صياغة المشكلة لا في البرمجيات.
ما هو النموذج البديل في هندسة العمليات الكيميائية؟
يملك مهندسو العمليات أصلًا نماذج دقيقة: مخطط عملية في محاكٍ تجاري، ونموذج حركي لمفاعل، وحالة CFD لخلاط أو موقد. هذه النماذج بطيئة، وبعضها لا يتقارب عند مدخلات معينة. وهذا مقبول لدراسة حالة واحدة، لكنه غير مقبول عندما تتطلب خوارزمية تحسين أو دراسة حساسية أو مفاضلة بين تصاميم آلاف التقييمات.
يحل النموذج البديل، ويُسمّى أيضًا النموذج الفوقي (metamodel)، محل النموذج المكلف داخل هذه الحلقة. وتذكر مراجعة حول النمذجة الهجينة في الهندسة الكيميائية هذا الاستخدام ضمن طرق الجمع بين الفيزياء والبيانات: بناء نموذج أسرع لنموذج حاسوبي دقيق عالي الدقة. ومن الطرق الأخرى تصحيح نموذج آلي (mechanistic) لا يلتقط كل الظواهر الفيزيائية، وإدراج حدّ قائم على البيانات يمثل علاقة مجهولة داخل نموذج آلي.
ومن السهل الخلط بينه وبين أداتين قريبتين:
| المستشعر البرمجي | النموذج البديل للعملية | نموذج التركيبات (virtual lab) | |
|---|---|---|---|
| يحل محل | قياس مباشر غير متوفر على الخط | محاكاة بطيئة | جزء من العمل المخبري |
| يُدرَّب على | قاعدة البيانات التاريخية للمصنع ونتائج المختبر | عمليات تشغيل نموذج دقيق | التركيبات ونتائج الاختبارات السابقة |
| من يختار نقاط البيانات | تاريخ تشغيل المصنع | المهندس، بحرية | مطوّر التركيبات، بكلفة لكل اختبار |
| يُستخدم في | المراقبة والتحكم | التحسين والتصميم ودراسات السيناريوهات | اختيار التجارب التالية |
| الخطر الرئيسي | الانجراف وأعطال المستشعرات | يرث أخطاء المحاكي؛ الاستقراء خارج النطاق | الاستقراء نحو كيمياء جديدة |
ويتناول دليلانا حول المستشعرات البرمجية وVirtual Lab للبحث والتطوير الصناعي العمودين الآخرين.
متى يكون النموذج البديل مجديًا؟
تأتي الفائدة من استبدال استدعاءات بطيئة كثيرة.
طبّق Savage وزملاؤه تقليص الأبعاد ومجموعة من العمليات الغاوسية، تنمذج الهدف وقيود الجدوى معًا، على دورة التبريد المتتالية CryoMan للغاز الطبيعي المسال. وقد حدد نهجهم مجموعة ظروف التشغيل المثلى في ساعتين فقط بدل 3 أسابيع في الأصل.
واستبدل Granacher وزملاؤه ثلاث محاكاة لوحدات عملية داخل تحسين بنية فائقة (superstructure): عملية تحويل الكتلة الحيوية إلى وقود فيشر-تروبش، ومفاعل للأمونيا، ووحدة للتحليل الكهربائي المشترك. وقد قُرّب النموذج الأعقد في أقل من 10% من زمن المحاكاة الأصلي، واحتاج التحليل الكهربائي المشترك إلى 67%، أما نموذج مفاعل الأمونيا البسيط فلم يتحقق فيه أي توفير في الوقت. ويتوقع المؤلفون توفيرًا يصل إلى 50% للمحاكاة التي تستغرق أكثر من 10 ثوانٍ تقريبًا لكل تشغيل.
القاعدة بسيطة: إذا كان تشغيل نموذجكم يستغرق أجزاء من الثانية، فحسّنوه مباشرة. ويستحق النموذج البديل كلفته عندما يستغرق التشغيل من ثوانٍ إلى ساعات، أو عندما يُستدعى النموذج آلاف المرات، أو عندما تعطّل حالات عدم التقارب خوارزمية التحسين.
أي نوع من النماذج البديلة نختار؟
الشبكات العصبية شائعة بشكل خاص في نمذجة العمليات الكيميائية، كما تُطبَّق أيضًا الأساليب متعددة الحدود والقائمة على الكريغينغ (kriging) في تصميم العمليات. ويلخص الجدول الخيارات الرئيسية.
| نوع النموذج | نقاط القوة | الحدود | أمثلة على الأدوات |
|---|---|---|---|
| متعدد الحدود (سطح الاستجابة) | شفاف وسهل الدمج في خوارزمية تحسين | لا يلتقط اللاخطية القوية | أي برنامج إحصائي؛ PySMO |
| انحدار جبري متناثر | معادلات قصيرة يقرؤها المهندسون وتتعامل معها خوارزميات التحسين بسهولة | يتطلب ترخيصًا | ALAMO |
| عملية غاوسية (kriging) | يعطي التنبؤ ودرجة عدم اليقين فيه | تتراجع كفاءته بعد بضع عشرات من المدخلات | scikit-learn وPySMO |
| شبكة عصبية | مخرجات كثيرة، ولاخطية قوية، ومجموعات بيانات كبيرة | يحتاج إلى عمليات محاكاة أكثر؛ أصعب في الفحص | Keras مع OMLT |
| أشجار معززة بالتدرج | متينة وقليلة الضبط | دالة متقطعة، فلا تدرجات ملساء | OMLT |
وهذه بعض النقاط من توثيق هذه الأدوات:
- يمكن لمنصة نمذجة العمليات IDAES أن تدمج نماذج ALAMO أو PySMO أو Keras البديلة في مخططات عمليات IDAES. وتصف ALAMO بأنها أداة انحدار لبناء نماذج بديلة على شكل معادلات، تتطلب ترخيصًا منفصلًا.
- تعطي العمليات الغاوسية في scikit-learn تنبؤات احتمالية مع فترات ثقة، لكنها تفقد كفاءتها في الفضاءات عالية الأبعاد، أي عندما يتجاوز عدد المتغيرات بضع عشرات.
- OMLT حزمة مفتوحة المصدر تدرج نماذج بديلة من الشبكات العصبية والأشجار المعززة بالتدرج داخل مسائل تحسين أكبر مكتوبة بلغة Pyomo. وقد بيّن Schweidtmann وMitsos أن الشبكات المدمجة بهذه الطريقة يمكن حلها بالتحسين الشامل الحتمي، مع حالات اختبار تشمل عملية كيميائية ومحطة ضواغط.
كيف نبني نموذجًا بديلًا خطوة بخطوة؟
- تحديد القرار. اكتبوا الغرض من النموذج، مثل «تعظيم مردود الهيدروجين مع حد أقصى للنيتروجين». فالقرار يحدد المخرجات المهمة والدقة المطلوبة.
- اختيار مدخلات قليلة ونطاقات واقعية. كل مدخل إضافي يزيد عدد عمليات المحاكاة. استخدموا المعرفة بالعملية أو دراسة حساسية سريعة على النموذج الدقيق لاستبعاد المدخلات قليلة التأثير. وحدّدوا النطاقات بما يستطيع المصنع بلوغه فعلًا.
- توليد تصميم يملأ الفضاء. يقسّم أخذ العينات بالمكعب الفائق اللاتيني (Latin hypercube) نطاق كل مدخل إلى فترات متساوية ويضع نقطة واحدة بالضبط في كل فترة. ابدؤوا بنحو 10 عمليات محاكاة لكل مدخل.
- تشغيل المحاكي على دفعات وتسجيل كل شيء. سجّلوا المدخلات وكل المخرجات وحالة التقارب وزمن الحساب. فعمليات المحاكاة التي لا تتقارب تبيّن أين تنتهي المنطقة الممكنة؛ لا تحذفوها دون توثيق.
- بناء نموذج مرجعي بسيط ثم نموذج أكثر مرونة. لا تحتفظوا بالنموذج المرن إلا إذا تفوّق على المرجع في عمليات محاكاة لم يرها.
- التحقق قياسًا إلى القرار. افحصوا خطأ كل مخرج على عمليات المحاكاة المحجوزة للاختبار، وافحصوا الاتساق الفيزيائي: إغلاق موازنة الكتلة، ومجموع الكسور المولية يساوي واحدًا، وعدم وجود تدفقات سالبة.
- إضافة عمليات محاكاة حيث يكون النموذج أضعف. استخدموا عدم يقين النموذج لاختيار الدفعة التالية من عمليات المحاكاة، ثم أعيدوا التدريب.
- التحسين ثم التأكيد. شغّلوا النموذج الدقيق عند النقطة المثلى المقترحة. وإذا اختلف النموذجان، أضيفوا تلك النقطة إلى البيانات وكرروا.
وتعرض أمثلة IDAES سير العمل هذا على مُصلِح حراري ذاتي (autothermal reformer) ينتج الغاز التخليقي لمنظومة خلايا وقود. للنموذج البديل مدخلان، هما نسبة الغاز الطبيعي المحوَّل خارج المُصلِح (bypass) ونسبة الغاز الطبيعي إلى البخار، ويتنبأ بتدفق البخار والقدرة الحرارية للمُصلِح وتركيب المخرج. ومن بين 2,800 نقطة محاكاة من مخطط عملية دقيق، يدرّب الدفتر (notebook) النموذج على 100 نقطة عشوائية مع تقسيم 80/20، ثم يدمج شبكة Keras في المخطط ويعظّم إنتاج الهيدروجين مع إبقاء النيتروجين دون 34% مولية.
كم عملية محاكاة نحتاج؟
درس Loeppky وSacks وWelch القاعدة غير الرسمية القائلة إن التجربة الحاسوبية الأولى تحتاج إلى نحو 10 عمليات تشغيل لكل بُعد إدخال، باستخدام نماذج العمليات الغاوسية وتصاميم المكعب الفائق اللاتيني. وخلصوا إلى أن n = 10d قاعدة تقريبية معقولة لتجربة أولى في المسائل حسنة السلوك. وعندما تعطي 10 عمليات لكل مدخل دقة منخفضة، يكون معدل التحسن مع زيادة عمليات التشغيل ضعيفًا أيضًا في الغالب، مما قد يستدعي إعادة صياغة المسألة.
وعمليًا، يعني ذلك 50 إلى 100 عملية محاكاة لمسألة من 5 إلى 10 مدخلات في مرحلة أولى، ثم نقطة قرار: إذا كانت الدقة ضعيفة، فضيّقوا النطاقات أو قسّموا منطقة التشغيل أو احذفوا مدخلات قبل إطلاق آلاف عمليات المحاكاة.
ويفيد أخذ العينات التكيفي بعد الدفعة الأولى. فقد بدأ Granacher وزملاؤه من 10 نقاط محاكاة وأضافوا دفعات من 10 نقاط حيث كان النموذج أقل يقينًا. وأعطى التعلم النشط لديهم تنبؤات أفضل من أخذ العينات العشوائي لقاعدة بيانات بالحجم نفسه، مع متوسط مربعات خطأ في الاختبار أقل من 2% في الحالات الثلاث.
كيف نُجري التحسين بنموذج بديل دون أن نُضلَّل؟
تبحث خوارزمية التحسين عن أفضل قيمة يتنبأ بها النموذج البديل. فإذا أخطأ النموذج في موضع ما، قرب حافة النطاق الذي أُخذت منه العينات مثلًا، فغالبًا ما تتجه الخوارزمية إلى ذلك الموضع بالذات. وهناك ثلاث ضمانات شائعة.
الرجوع إلى المحاكي عندما يكون عدم اليقين مرتفعًا. في دراسة Granacher، لم يُستخدم تنبؤ النموذج البديل إلا إذا كان عدم اليقين المتوقع فيه أقل من عتبة 8%؛ وإلا شُغّلت المحاكاة الأصلية وأُضيفت نتيجتها إلى بيانات التدريب.
التقدم بخطوات صغيرة يتم التحقق منها. يتعامل حلّال منطقة الثقة (trust region) في Pyomo مع مسائل تجمع بين نماذج قائمة على المعادلات ونماذج الصندوق الأسود. فهو يستبدل النماذج المكلفة بدوال منخفضة الدقة ويتقدم بخطوات صغيرة تدريجية نحو الحل الأمثل، ولا يقبل الخطوة إلا بعد التحقق منها، مما يقلل استدعاءات الدوال المكلفة.
نمذجة القيود لا الهدف وحده. في دراسة الغاز الطبيعي المسال، نمذجت عمليات غاوسية منفصلة قيود الجدوى إلى جانب الهدف. فالنموذج البديل الذي يتنبأ بالربح دون أن يتنبأ ببقاء الضاغط ضمن حدوده سيقترح نقاط تشغيل غير ممكنة.
التحسين بالنماذج البديلة عائلة من الأساليب تُسمّى أيضًا التحسين الخالي من المشتقات القائم على النماذج. ويقارن فصل تعليمي حديث بين التحسين البايزي، وأساليب التقريب الخطي والتربيعي، والأساليب القائمة على الأشجار ودوال الأساس الشعاعية على حالات دراسية لمفاعلات. وللتجارب بدل المحاكاة، راجعوا مقارنتنا بين تصميم التجارب والتحسين البايزي.
نموذج قائم على البيانات فقط أم نموذج هجين؟
لا يعرف النموذج البديل الخالص شيئًا عن قوانين الحفظ. أما النموذج الهجين فيحتفظ بالبنية الآلية، مثل موازنات الكتلة والطاقة، ولا يتعلم إلا الجزء غير المؤكد، مثل سرعة تفاعل أو كفاءة. والنمذجة الهجينة والتعلم الآلي المستنير بالفيزياء ومعايرة النماذج هي العائلات الثلاث التي تقارنها مراجعة النمذجة الهجينة على حالة دراسية لمفاعل كيميائي.
وقد تطورت المحاكيات التجارية في هذا الاتجاه. ففي مايو 2021، أعلنت AspenTech عن نماذج هجينة قائمة على المبادئ الأولى مع ذكاء اصطناعي مدمج في Aspen HYSYS وAspen Plus، ونماذج هجينة منخفضة الرتبة لمنتجاتها الخاصة بالتخطيط والتحسين الديناميكي. وتتغير أسماء المنتجات ونطاقها، لذا تحققوا مما تشمله تراخيصكم الحالية.
اختاروا نموذجًا بديلًا خالصًا عندما تحتاجون إلى السرعة داخل حلقة ويكون النموذج الدقيق موثوقًا. واختاروا نموذجًا هجينًا عندما لا يطابق النموذج الآلي نفسه بيانات المصنع، لأن الحركية أو الاتساخ غير معروفين جيدًا مثلًا. وللنماذج التي تتابع أصلًا واحدًا قيد التشغيل، راجعوا مقالنا عن التوائم الرقمية في الصناعة التحويلية.
ما الذي رأيناه في KABAS AI
صُمّم Virtual Lab لاختبار التركيبات ومعايير العمليات افتراضيًا قبل مرحلة المختبر أو الوحدة التجريبية. والمشروعان اللذان نصفهما علنًا مشروعا تركيبات وليسا نماذج بديلة لمخططات عمليات، لكن المنهج واحد.
ففي ADFC (مجمع سوناطراك)، توجّه المقارنة بين النتائج المحاكاة والفعلية عمليات التحسين، وتُحفظ التركيبات المعتمدة لإعادة استخدامها. وفي ENAD Shymeca، نُقلت بيانات التركيبات التاريخية إلى المنصة قبل استخدامها في التنبؤ، وتذكر دراسة الحالة انخفاضًا بنسبة 40% في دورات الاختبارات الفيزيائية.
وثلاثة دروس عملية تنطبق على النماذج البديلة للعمليات:
- ابدؤوا من القرار لا من النموذج. يبيّن دليلنا لتحسين التركيبات بالذكاء الاصطناعي كيف تُحوَّل المواصفات إلى أرقام أولًا.
- أكّدوا قبل التنفيذ. يجب التحقق من كل تنبؤ يقود إلى قرار مقارنة بالمرجع، سواء كان المختبر أو الوحدة التجريبية أو المحاكي الدقيق.
- أبقوا النماذج حيث توجد الخبرة. فنموذج العملية ونموذجه البديل يختزنان طريقة تشغيل مصنعكم. ويمكن نشر Virtual Lab في الموقع أو على حاسوب محلي دون اتصال بالإنترنت، ويعرض دليلنا حول الذكاء الاصطناعي السيادي في الموقع الخيارات المتاحة.
وتوضح صفحة حلول الكيمياء كيف يندمج ذلك في البحث والتطوير وتحسين العمليات لدى الشركات الكيميائية.
المصادر
- Savage et al., An integrated dimensionality reduction and surrogate optimization approach for plant-wide chemical process operation, AIChE Journal (مستودع جامعة كامبريدج)
- Granacher, Kantor and Maréchal, Increasing Superstructure Optimization Capacity Through Self-Learning Surrogate Models, Frontiers in Chemical Engineering, 2021
- Loeppky, Sacks and Welch, Choosing the Sample Size of a Computer Experiment: A Practical Guide, Technometrics 51(4), 2009
- Bradley et al., Perspectives on the Integration between First-Principles and Data-Driven Modeling, LAPSE preprint, 2021
- توثيق IDAES: أدوات النمذجة البديلة
- أمثلة IDAES: Keras flowsheet optimization (المُصلِح الحراري الذاتي)
- Ceccon et al., OMLT: Optimization and Machine Learning Toolkit, Journal of Machine Learning Research 23, 2022
- Schweidtmann and Mitsos, Deterministic Global Optimization with Artificial Neural Networks Embedded, arXiv 1801.07114
- توثيق scikit-learn: Gaussian Processes
- توثيق SciPy: scipy.stats.qmc.LatinHypercube
- توثيق Pyomo: Trust Region Framework Method Solver
- Neufang et al., Surrogate-Based Optimization Techniques for Process Systems Engineering, arXiv 2412.13948, 2024
- AspenTech Expands Application of Industrial AI to Achieve New Profitability and Sustainability Goals، مايو 2021 (عبر CIMdata)
الأسئلة الشائعة
ما الفرق بين النموذج البديل والنموذج منخفض الرتبة؟
تتداخل المصطلحات. فالنموذج البديل والنموذج الفوقي (metamodel) يعنيان عادة تقريبًا مبنيًا على بيانات ناتجة عن تشغيل محاكٍ دقيق. أما النموذج منخفض الرتبة (reduced-order model) فيعني غالبًا نموذجًا مبسطًا مشتقًا من المعادلات الفيزيائية، وإن كانت بعض الشركات المورّدة تستخدم المصطلح أيضًا لنماذج مبنية على البيانات. والمهم عمليًا هو البيانات التي دُرّب عليها النموذج والنطاق الذي تم التحقق منه فيه.
كم عملية محاكاة نحتاج لبناء نموذج بديل؟
نقطة البداية الشائعة هي نحو 10 عمليات محاكاة لكل متغير إدخال، أي 50 عملية لخمسة مدخلات. وتدعم الأبحاث المنشورة حول التجارب الحاسوبية هذا الرقم كتجربة أولى. وإذا بقيت الدقة ضعيفة عند هذا الحجم، فإن إضافة المزيد من عمليات المحاكاة تفيد ببطء عادة، والأفضل تقليل عدد المدخلات أو تضييق النطاقات.
هل يمكن للنموذج البديل أن يحل محل محاكي العمليات؟
لا. فالنموذج البديل يُدرَّب على نتائج المحاكي، لذلك يرث افتراضاته وأخطاءه ولا يعرف إلا النطاق الذي أُخذت منه العينات. احتفظوا بالنموذج الدقيق لتأكيد كل نقطة مثلى يقترحها النموذج البديل، وأعيدوا بناء النموذج البديل عند تغيّر مخطط العملية أو النموذج الديناميكي الحراري أو المعدات.
هل النموذج البديل هو نفسه المستشعر البرمجي؟
لا. يُدرَّب المستشعر البرمجي على بيانات قاعدة البيانات التاريخية للمصنع ونتائج المختبر لتقدير متغير لا يُقاس مباشرة على الخط. أما النموذج البديل للعملية فيُدرَّب على عمليات تشغيل نموذج محاكاة ليحل محله أثناء التحسين أو دراسات التصميم. كلاهما نموذج قائم على البيانات، لكن بياناتهما وغرضهما وأنماط فشلهما مختلفة.
ما البرمجيات التي يمكن استخدامها لبناء النماذج البديلة للعمليات؟
تغطي الأدوات مفتوحة المصدر سير العمل بأكمله: SciPy لتصاميم أخذ العينات، وscikit-learn للعمليات الغاوسية وأدوات انحدار أخرى، ومنصة IDAES مع Pyomo وOMLT لدمج النماذج البديلة في تحسين مخططات العمليات. كما توفر محاكيات العمليات التجارية وظائف للنمذجة الهجينة والنماذج منخفضة الرتبة، لذا تحققوا مما تشمله تراخيصكم الحالية.
هل يمكن تشغيل النماذج البديلة على خوادمنا الخاصة؟
نعم. فالنماذج البديلة صغيرة الحجم ولا تحتاج إلى اتصال بالإنترنت بعد تدريبها. ولأنها تختزن الخبرة التشغيلية للعملية، تحتفظ كثير من الشركات ببيانات المحاكاة والنماذج على بنيتها التحتية الخاصة.



