Hybrid Modeling for Multimode Process Analysis and Long-Term Degradation Management

Abstract

A indústria de processos químicos tem registado avanços significativos na monitorização, controlo e optimização de processos, impulsionados pelos princípios da engenharia de processos e sistemas. A emergência da quarta revolução industrial promoveu a recolha e o processamento de grandes quantidades de dados, potenciando o desenvolvimento de metodologias orientadas por dados. No entanto, é crucial reconhecer o valor das soluções estabelecidas, com base nos primeiros princípios, que foram aperfeiçoadas ao longo de décadas. Reconhecendo a necessidade de integrar o conhecimento dos processos em estruturas de grandes volumes de dados e de aprendizagem automática, tanto a indústria como os investigadores estão agora a procurar novas vias para criar soluções de inteligência artificial mais robustas e interpretáveis. Estas soluções visam ajudar no processo na tomada de decisão. Esta tese explora técnicas de modelação híbridas e critérios de avaliação de modelos, com aplicações específicas na análise de processos químicos multimodais e na gestão de fenómenos de degradação.Um desafio crítico na indústria de processos químicos é a adaptação às mudanças no mercado através da implementação de novos modos operacionais que equilibrem objetivos económicos, de qualidade e de sustentabilidade. Para apoiar essas mudanças no processo, esta tese investiga diferentes configurações de modelação híbrida, incluindo estruturas paralelas e em série, para extrapolação e transferência de conhecimento. Os resultados indicam que as estruturas em série são particularmente eficazes para a extrapolação, superando os modelos baseados em primeiros princípios e os modelos orientados por dados. Além disso, a modelação híbrida requer menos amostras em tarefas de transferência de conhecimento. Estas conclusões realçam a eficácia da modelação híbrida para optimizar as alterações nos processos químicos.Outro desafio nesta indústria envolve fenómenos de degradação a longo prazo em permutadores de calor, o que leva a uma maior queda de pressão, consumo de energia e emissões de poluentes. Além disso, a degradação pode representar riscos de segurança e perturbar as operações. Assim, esta tese propõe uma abordagem híbrida que combina a geração de características baseadas no conhecimento com métodos orientados por dados para prever uma métrica de incrustações com um mês de antecedência. Adicionalmente, são estabelecidas capacidades de previsão a longo prazo, facilitando a optimização da programação da manutenção. Esta solução de modelação híbrida pode ser alargada a outros cenários de incrustações, fornecendo uma ferramenta prática para melhorar a fiabilidade, segurança e eficiência das operações industriais.A degradação do equipamento é um problema que leva à redução de eficiência e a um aumento de riscos ambientais e de segurança. As incrustações nos permutadores de calor representam um problema complexo, especialmente em processos descontínuos multi-produto. Esta tese propõe duas metodologias: uma abordagem funcional baseada em dados para análise e monitorização eficientes da progressão de incrustações; e aprendizagem automática informada por física para prever incrustações em permutadores de calor em descontínuo. As abordagens propostas são aplicadas a um caso de estudo industrial, demonstrando a integração de dados históricos e conhecimentos de engenharia para uma análise eficiente do processo e a implementação de uma medida da evolução das incrustações. Os algoritmos de aprendizagem automática treinados nesta medida prevêem com precisão as incrustações, permitindo um planeamento de manutenção prático e rentável. A transferência da metodologia entre permutadores de calor que operam em linhas paralelas também é validada, enfatizando ainda mais o seu potencial como uma ferramenta de previsão fiável.Finalmente, a vasta quantidade de dados gerados pela indústria química apresenta uma oportunidade para compreender, monitorizar, controlar e optimizar os processos químicos. No entanto, existe uma lacuna no aproveitamento de conhecimento de primeiros princípios ao utilizar modelos orientados por dados. Esta tese aborda esta lacuna através da utilização de abordagens de aprendizagem automática informada por física para melhorar as soluções baseadas em dados. Para além disso, é apresentada uma estrutura sistemática, orientada pelo conceito de qualidade de informação, para facilitar a resolução estruturada de problemas e alavancar o conhecimento adquirido com a aplicação de técnicas industriais de modelação híbrida a sistemas não estacionários.Esta tese de doutoramento explora técnicas de modelação híbrida e as suas aplicações à indústria de processos químicos, centrando-se na monitorização de processos, optimização e tomada de decisões. Os resultados destacam a importância de integrar conhecimento com abordagens baseadas em dados, abrindo caminho para soluções de inteligência artificial mais robustas, interpretáveis e eficientes na indústria química.

The chemical processing industry has experienced significant progress in process monitoring, control, diagnosis, optimization, and design, primarily driven by modeling techniques and process systems engineering principles. The emergence of the fourth industrial revolution, marked by extensive digitization, has enabled the collection and processing of vast amounts of data, potentiating the development of data-driven frameworks for knowledge extraction. However, it is crucial to acknowledge the value of established solutions based on first-principles and mechanistic modeling approaches, which have been refined over decades. Recognizing the need to integrate process knowledge into big data and machine learning frameworks, both industry and researchers are now seeking new avenues to create more robust and interpretable artificial intelligence solutions. These solutions aim to assist stakeholders in their decision-making processes and activities. This thesis explores hybrid modeling techniques with specific applications in multimode chemical process analysis and long-term degradation management.One critical challenge in the chemical processing industry is adapting to shifts in market demand by implementing new operational modes that balance economic, quality, and sustainability objectives. To support these process changes, analytics technologies such as hybrid modeling are examined. This thesis investigates different configurations of hybrid modeling, including parallel and serial structures, for extrapolation and transfer learning. The results indicate that serial structures are particularly effective for extrapolation, outperforming both physics-based and data-driven models. Moreover, hybrid modeling requires fewer samples for transfer learning tasks. These findings highlight the effectiveness of hybrid modeling for optimizing process changes.Another challenge in the chemical processing industry involves long-term degradation in heat exchangers, which leads to increased pressure drop, energy consumption, utility costs, and pollutant emissions. Furthermore, degradation can pose safety risks and disrupt process operations. Hence, this thesis proposes a hybrid approach that combines knowledge-based feature generation with data-driven methods to forecast a fouling surrogate. The developed forecasting model demonstrates accurate one-month ahead predictions. Additionally, long-term forecasting capabilities are established, facilitating maintenance scheduling optimization. This hybrid modeling solution can be extended to other fouling scenarios, providing a practical tool for improving the reliability, safety, and efficiency of industrial operations.Equipment degradation is a pervasive issue in the chemical processing industry, leading to reduced efficiency, controllability, increased environmental impact, and operational safety risks. Fouling in heat exchangers represents a well-known and complex problem, especially in batch processes with multiple product recipes, introducing additional variability and challenges. This thesis proposes two methodologies for addressing this challenging scenario: a functional data-driven approach for streamlined analysis and monitoring of fouling progression and physics-informed machine learning to forecast fouling in batch multiproduct heat exchangers. The proposed approaches are applied to an industrial case study, demonstrating the integration of data and knowledge for efficient process analysis and implementation of a surrogate measurement for fouling evolution. Machine learning algorithms trained on this measurement accurately predict fouling, enabling practical and cost-effective maintenance planning. The methodology's transferability between heat exchangers operating in parallel lines is also validated, further emphasizing its potential as a reliable predictive tool.Finally, the vast amount of data generated by the chemical industry presents an unprecedented opportunity for understanding, monitoring, controlling, and optimizing chemical processes. However, a gap exists in leveraging complementary first-principles knowledge when utilizing data-driven models. This thesis addresses this gap by employing physics-informed machine learning approaches to enhance data-driven solutions. Furthermore, a systematic framework is presented, guided by the concept of quality of information, to facilitate structured problem-solving and leverage knowledge gained from applying hybrid modeling techniques to non-stationary systems.In summary, this PhD thesis explores hybrid modeling techniques and their applications in the chemical processing industry, focusing on process monitoring, optimization, and decision-making. The findings highlight the importance of integrating process knowledge with data-driven approaches, paving the way for more robust, interpretable, and efficient artificial intelligence solutions in the chemical industry.