Chemické inženýrství očima programátora: Když se experiment mění v model

Předchozí: Hurá do laboratoře - laboratorní vývoj | Seriál: Chemické inženýrství očima programátora | Další: Koncepční návrh procesu

Tento díl je součástí seriálu o tom, jak vzniká chemická technologie od prvního nápadu až po fungující provoz. Navazuje na předchozí kroky a soustředí se na téma: převod experimentálních poznatků do modelů.

Laboratorní vývoj nám přinesl experimentální data a první porozumění tomu, jak se zkoumaný systém chová. Víme, které látky vstupují do reakce, jaké produkty a nečistoty vznikají a jak výsledek ovlivňují teplota, tlak, koncentrace nebo doba reakce. Máme také určitou představu o reakční síti, kinetice a podmínkách, za kterých je reakce bezpečná a reprodukovatelná.

Samotná experimentální data však pro návrh průmyslové technologie nestačí. Jednotlivá měření je potřeba zpracovat, zobecnit a převést do matematických vztahů, které dokážou popsat chování systému i mimo přesně změřené body. Od laboratorních baněk se proto postupně přesouváme k počítačům, rovnicím a procesním modelům.

Tento přechod ale není ostrý ani jednosměrný. Experimentální vývoj a modelování se obvykle prolínají. První jednoduché modely vznikají už během laboratorních pokusů a pomáhají rozhodovat, které experimenty je potřeba provést dál. Nová měření následně odhalují nedostatky modelu, zpřesňují jeho parametry nebo ukazují, že některý z původních předpokladů nebyl správný.

Vývoj tak probíhá v opakujícím se cyklu mezi experimentem, výpočtem a interpretací výsledků. Model ukáže, která data nám chybějí, a experiment poskytne informace potřebné k jeho dalšímu zpřesnění.

Ani po rozsáhlém laboratorním vývoji přitom nemusíme znát úplný molekulární mechanismus reakce. Pro návrh procesu je často důležitější mít dostatečně přesný a experimentálně ověřený model, který popisuje rychlost hlavních reakcí, vznik významných nečistot a závislost výsledku na provozních podmínkách.

Vedle chemické kinetiky potřebujeme znát také fyzikálně-chemické vlastnosti jednotlivých látek a jejich směsí. Reaktor totiž není izolovaný chemický děj. Současně v něm probíhá přenos tepla, proudění, míchání, rozpouštění, vypařování nebo přestup látek mezi jednotlivými fázemi. Po reakci navíc následují separační operace, jejichž návrh může být na kvalitě dostupných dat ještě závislejší než samotná reakce.

Pro podrobné modelování proto potřebujeme několik skupin údajů:

• termodynamické rovnováhy, například rovnováhy kapalina–pára pro návrh destilace nebo rovnováhy kapalina–kapalina pro extrakci,
• rozpustnosti pevných látek, plynů a jednotlivých složek ve směsích,
• objemové a transportní vlastnosti, například hustoty, viskozity, tepelné vodivosti a difuzní koeficienty,
• tepelné vlastnosti, jako jsou tepelné kapacity, výparná, směšovací a reakční tepla nebo entalpie fázových přechodů,
• kinetické parametry hlavních i vedlejších reakcí,
• vlastnosti mezifází a částic, například povrchové napětí, velikost a tvar částic, rychlost jejich růstu nebo krystalická forma produktu.

Samotné koeficienty přestupu tepla a hmoty už nejsou pouze vlastnostmi použitých látek. Závisí také na geometrii zařízení, intenzitě míchání, proudění a velikosti jednotlivých fází. Jejich určení proto propojuje laboratorní měření s budoucím návrhem konkrétního zařízení.

Některé potřebné údaje lze nalézt v odborné literatuře, databázích nebo u dodavatelů chemických látek. Jiné je možné odhadnout pomocí empirických korelací, metod příspěvků funkčních skupin nebo výpočtů vycházejících z molekulární struktury.

U nových molekul, neobvyklých směsí a náročných provozních podmínek však potřebná data často vůbec neexistují nebo nejsou dostatečně spolehlivá. Potom je nutné vrátit se do laboratoře a cíleně je změřit. Modelování tedy laboratorní práci nenahrazuje. Pomáhá spíše určit, která další měření mají pro vývoj největší hodnotu.

Důležité není pouze získat jednotlivé číselné hodnoty. Potřebujeme modely, které dokážou vlastnosti popsat v celém relevantním rozsahu teplot, tlaků a složení. Hustota nebo rozpustnost naměřená při jediné teplotě nám například příliš nepomůže, pokud bude zařízení pracovat v širokém rozsahu podmínek.

Stejně tak model, který dobře odpovídá několika laboratorním bodům, nemusí být spolehlivý při extrapolaci do oblasti, ve které zatím žádná měření nemáme. To je důležité zejména při přechodu k vyšším tlakům, teplotám nebo odlišnému složení směsi.

Model by proto měl být kalibrován na experimentálních datech a pokud množství dat dovoluje, následně ověřen na nezávislých měřeních, která nebyla použita při odhadu jeho parametrů. Součástí práce by mělo být také vyhodnocení nejistoty.

Model totiž není přesnou kopií reality, ale jejím zjednodušeným popisem. Inženýr potřebuje vědět nejen to, jakou hodnotu model předpovídá, ale také v jakém rozsahu podmínek a s jakou přesností se na tuto předpověď může spolehnout.

Vstupy a výstupy této fáze

Vstupem jsou především experimentální data z laboratorního vývoje, analytické výsledky, znalost reakční sítě, představa o kinetice hlavních a vedlejších reakcí a dostupné fyzikálně-chemické údaje z literatury, databází nebo vlastních měření.

Součástí vstupu musí být také předpokládaný rozsah podmínek, ve kterých má budoucí proces pracovat. Patří sem očekávané teploty, tlaky, složení směsí, koncentrace, průtoky a požadovaný výkon procesu. Bez této informace nelze posoudit, zda jsou dostupná data a modely pro zamýšlené použití dostatečné.

Výstupem je soubor matematických modelů popisujících reakční kinetiku, termodynamické rovnováhy, fyzikální vlastnosti a podle potřeby také přenos tepla, hmoty nebo proudění. Součástí výsledku by měly být jejich parametry, zdrojová data, použité předpoklady, oblast platnosti, porovnání s měřením a odhad nejistoty.

Tyto dílčí modely se později stanou stavebními kameny modelu celého výrobního procesu. Umožní navrhovat reaktor, separační operace, výměníky tepla i další části budoucí technologie.

Kde mohou pomoci software a AI

Právě zde se chemické inženýrství výrazně prolíná se softwarovým vývojem. Je potřeba načítat a čistit experimentální data, kontrolovat jejich konzistenci, odhalovat odlehlé hodnoty, odhadovat parametry modelů, řešit soustavy rovnic a automaticky porovnávat vypočtené výsledky s měřením.

Software umožňuje vytvářet reprodukovatelné výpočetní postupy, ve kterých lze dohledat použitá data, předpoklady, rovnice i konkrétní verzi modelu. Automatické testy mohou například ověřovat zachování hmoty a energie, správnost jednotek, fyzikální smysluplnost výsledků nebo to, zda změna některé části modelu nezhoršila jeho shodu s experimentálními daty.

AI může pomáhat vyhledávat chybějící vlastnosti v literatuře, převádět údaje z tabulek a dokumentů do strukturované podoby nebo doporučovat vhodné typy modelů. Může také pomoci odhalovat vztahy v rozsáhlých datových souborech a navrhovat, která další měření by nejvíce snížila nejistotu modelu.

Metody strojového učení mohou odhadovat vlastnosti nových látek a směsí nebo vytvářet rychlé náhradní modely pro výpočty, jejichž plná simulace by trvala příliš dlouho. Takové predikce však musí být používány opatrně, zejména mimo oblast dat, na kterých byly vytvořeny.

Nejspolehlivější přístup proto často spojuje fyzikální rovnice s datovými metodami. Známé přírodní zákony popisují základní chování systému a AI doplňuje části, které jsou obtížně popsatelné, výpočetně náročné nebo pro ně zatím nemáme dostatek znalostí. Výsledkem může být model, který se průběžně zpřesňuje s každým novým experimentem.

Model jako text, ne jako klikání

Právě zde mohou výrazně pomoci zkušenosti ze softwarového inženýrství. V softwarovém vývoji se často používá deklarativní přístup. Místo toho, aby uživatel krok po kroku určoval, jak má systém postupovat, popíše jeho požadovaný stav nebo strukturu a software se postará o provedení potřebných kroků.

Podobným způsobem lze uvažovat také o procesních modelech. Model nemusí vznikat pouze ručním klikáním v grafickém rozhraní simulačního programu. Jeho strukturu, látky, reakce, parametry, rovnice a vazby mezi jednotlivými částmi lze popsat textově ve strojově čitelné podobě.

Takový přístup přináší několik výhod. Textový model lze snadno verzovat, porovnávat jeho změny a dohledat, kdo a proč upravil konkrétní parametr, rovnici nebo předpoklad. Stejný model lze opakovaně spouštět, automaticky testovat a přepočítávat při změně vstupních dat.

Odpadá také část ruční práce v grafických rozhraních, která bývá pomalá, obtížně reprodukovatelná a náchylná k chybám. Místo klikání lze například změnit několik hodnot v textovém souboru a automaticky přepočítat celou skupinu variant.

Textová reprezentace je zároveň dobře srozumitelná současným nástrojům umělé inteligence. Výzkumník nebo inženýr může model popsat přirozeným jazykem a AI může pomoci převést jeho zadání do strukturované konfigurace, vysvětlit jednotlivé parametry nebo upozornit na chybějící či nekonzistentní části.

Člověk tak nemusí každou část modelu vytvářet ručně myší, ale může se více soustředit na fyzikální význam modelu, jeho předpoklady a rozhodnutí, která z výsledků vyplývají.

Samotný textový zápis samozřejmě nezaručuje správnost modelu. Rovnice, parametry i předpoklady musí být stále ověřeny proti experimentálním datům. Výhodou však je, že model může být transparentní, reprodukovatelný a průběžně rozvíjený podobně jako kvalitně navržený software.

V této fázi se tak jednotlivá laboratorní pozorování poprvé mění ve strojově zpracovatelný popis reality, ze kterého lze začít stavět model celé technologie.

Závěr a další krok

V tomto dílu jsme se věnovali tématu: převod experimentálních poznatků do modelů. Ukázali jsme si, jaké otázky, rozhodnutí a výstupy tato část vývoje přináší. V dalším dílu na to navážeme tématem Koncepční návrh procesu, kde se posuneme o krok dál směrem k fungující technologii.