CHAI
/CHAI

CHAI

Hybride AI voor de scheikunde

smart_industry

Over het project

Het finetunen en optimaliseren van chemische processen wordt vandaag voornamelijk gedaan door ervaren procesingenieurs. In het CHAI-project zullen partners uit de industrie en de onderzoekswereld samenwerken om verklaarbare, hybride AI-algoritmen te ontwerpen die kunnen helpen bij deze optimalisatie. Hierdoor kunnen procesingenieurs sneller ervaring opdoen en beter gebruik maken van de beschikbare expertise. Het zal een efficiëntere schaalvergroting van chemische productieprocessen mogelijk maken.

Machine learning (ML) om procesingenieurs te helpen

Om chemische processen succesvol te kunnen sturen, moeten procesingenieurs een grote hoeveelheid gegevens interpreteren die afkomstig zijn van sensoren. Maar voordat ze genoeg ervaring hebben om dat te doen, moeten ze jarenlang ervaring opdoen in productieomgevingen. Dit maakt het vinden van de juiste mensen een knelpunt voor het opschalen van productie-installaties.

Machine Learning (ML) zou die situatie drastisch kunnen verbeteren, door zowel de minder ervaren procesoperators als de meer doorgewinterde ingenieurs te ondersteunen. De eersten zouden bruikbare inzichten en expertise kunnen krijgen, en de laatsten zouden meer tijd krijgen om zich te concentreren op cruciale taken. Dit zal mogelijk worden met behulp van hybride AI-oplossingen die slimmer worden door het analyseren van gegevens (d.w.z. historische voorbeelden) en door feedback van de meest ervaren ingenieurs.

Uitdagingen voor ML in de chemische procestechniek

Dit zijn enkele van de uitdagingen die moeten worden opgelost voordat ML kan worden toegepast om chemische processen te optimaliseren:

  • De huidige ML-modellen zijn puur data-gedreven; ze kunnen nog geen rekening houden met de expertise en knowhow van de procesingenieurs.
  • Black-box modellen zijn moeilijk te begrijpen, terwijl procesingenieurs net op hun voorspellingen moeten kunnen vertrouwen. Pas als zij begrijpen waarom de voorspellingen zijn wat ze zijn, kunnen ze de juiste beheersmaatregelen nemen, in de wetenschap dat deze veilig zijn.
  • De beheersing van een chemisch proces moet worden verbeterd door productiviteit en veiligheid te combineren in plaats van het een boven het ander te stellen.
  • Feedback is nodig om de ML voortdurend af te stemmen op de steeds groeiende ervaring en kennis van de procesingenieurs.
  • De ML moet kunnen omgaan met tegenstrijdige feedback.

Naar verklaarbare hybride AI

Met deze uitdagingen in het achterhoofd zal het CHAI-consortium verklaarbare hybride AI-algoritmen ontwerpen. Deze zullen kennis van experts integreren in het machinaal leren. Als gevolg daarvan zullen datastromen automatisch worden vertaald in gecontextualiseerde inzichten, voorspellingen van uitkomsten, en voorgestelde controleacties.

De inzichten, voorspellingen en voorgestelde acties zullen zowel aan operatoren als aan ervaren procesingenieurs worden meegedeeld met behulp van gecontextualiseerde en dynamische visualisaties. Deze zullen worden verrijkt met hybride AI-inzichten en uitleg over hoe de AI tot zijn conclusies is gekomen.

Een feedback loop zal de operatoren en experts toelaten om de hybride AI-besluitvorming intuïtief en continu te optimaliseren. Op deze manier zullen verbeteringen worden aangebracht in de standaardisatie van processen, de hoeveelheid aandacht die nodig is voor routinematige monitoring op laag niveau, en de snelheid en kwaliteit van het procesresultaat.

"Het CHAI-consortium zal gebruik maken van Machine Learning om kennis van experts te integreren. Zo zal AI het mogelijk maken om het beheer van chemische processen beter aan te sturen."

Video

Accepteer marketing-cookies om deze content te kunnen bekijken.

CHAI

De productiviteit van chemie-ingenieurs verhogen door gebruik te maken van hybride AI en de kennis en feedback van experts.

CHAI is een imec.icon onderzoeksproject van imec en het Vlaams Agentschap Innoveren & Ondernemen (VLAIO).

Het project is gestart op 01.03.2022 en loopt tot 29.02.2024.

Project informatie

Industrie

  • allnex Belgium
  • Dotdash
  • Procter & Gamble Services Company

Onderzoek

  • imec – IDLab Data Science Lab – UGent
  • imec – IDLab IBCN – UGent
  • imec – IDLab MOSAIC – UAntwerpen

Contact

  • Project lead: Miel Kurris
  • Research lead: Sofie Van Hoecke
  • Proposal manager: Michael Rademaker
  • Innovation manager: Deben Lamon