[发明专利]用于流动化学的AI系统

说明书

公开了一种用于确定用于段塞中的流动化学的流动化学设置(110)的至少一个目标参数集的计算机实现的方法。该方法是自我学习的方法。该方法包括以下步骤：a)通过使用流动化学设置(110)的至少一个传感器(122)确定至少一个过程变量；b)基于过程变量训练至少一个机器学习模型(126)；c)通过在经训练的机器学习模型(126)上应用蜂聚至少一个优化目标的优化算法来确定目标参数集；d)提供确定的目标参数集和/或考虑确定的目标参数集，以用于评估流动化学设置(110)和/或评估至少一种流动化学产品。

技术领域

本发明涉及一种用于确定用于段塞(slug)中流动化学的流动化学设置的目标参数集的计算机实现的方法、计算机程序、计算机可读存储介质和自动控制系统。本发明具体可用于化工制造和化学产品的工业生产。

背景技术

用于流动化学(也称为连续流动化学)的方法和装置是众所周知的。通常，流动化学包括在连续流动流中进行的化学反应。反应物由泵送流体(包括试剂的溶液)通过管道以已知的速率组合。反应物的相对比例由它们的浓度和相对流率控制，见https：//www.nature.com/subjects/flow-chemistry。

研究和开发过程包括执行实验和数据分析，这涉及大量的人工工作。具体地，化学家制定研究问题并计划实验，实验室技术员在实验室进行实验，并且化学家或数据科学家研究实验数据并决定哪些附加实验是必要的。特别是在研究项目的第一部分，重点在于参数空间的筛选，该过程可以通过使用用于流动化学的机器学习模型来加速。用于连续流动化学的机器学习方法从例如如下所知：Artur M.Schweidtmann等人的“Machine learningmeets continuous flow chemistry:Automated optimization towards the Paretofront of multiple objectives”,Chemical Engineering Journal,Volume 352,15.11.2018,pages 277-282，E.Bradford等人的“Efficient multi objectiveoptimisation employing Gaussian processes,spectral sampling and a geneticalgorithm”,J.Global Optim.71(2018)407-438DOI:10.1007/s10898-018-0609-2，D.Helmdach等人的“A multi-objective optimisation including results of lifecycle assessment in developing bio-renewable-based processes”,ChemSusChem 10:18(2017)3632-3643.DOI:10.1002/cssc.201700927，C.Houben等人的“Closed-loopmulti-target optimisation for discovery of new emulsion polymerisationrecipes”,Org.Process Res.Dev.,19(2015)1049-1053，C.Houben等人的“Automaticdiscovery and optimization of chemical processes”,Curr.Opinion Chem.Engngn.9(2015)1-7，N.Peremezhney等人的“Combining Gaussian processes,mutual informationand a genetic algorithm for multi-targeted optimisation of expensive-to-evaluate functions”,Engineering Optimisation,46(2014)1593-1607，N.Peremezhney等人的“Application of dimensionality reduction to visualisation of high-throughput data and building of a classification model in formulated consumerproduct design”,Chem.Res.Proc.Des.90(2012)2179-2185。然而，尽管这些文件取得了成就，但是使用连续流动系统控制生产过程和实验仍然具有挑战性。