Novel strategies for the multi-level, online optimization and control of batch operations under uncertainty

This thesis is focused on the development and application of innovative methods and algorithms for the multi-level, online optimization and control of batch processes under uncertainty. Specifically, it proposes novel solutions for the deterministic and stochastic dynamic optimization/optimal control of single batch operations and introduces new strategies for the integrated scheduling, dynamic optimization and optimal control of multi-unit/multi-step batch process. Moreover, it develops innovative approaches for the rapid estimation of the probability distribution of the uncertain parameters of dynamic process models from experimental measurements as well as new methodologies for selection of the optimal set of uncertain parameters in stochastic optimization problems. These computational frameworks are designed to be flexible and adaptable, thus are suitable for applications in many different sectors, e.g. the pharmaceutical industry, the production of fine chemicals, food processing and drug delivery. Moreover, their architecture allows us to easily combine them to yield efficient and reliable optimization/control systems that can automatically cope with common non-ideal aspects of batch processing, such as equipment fouling, variable quality of raw materials, and operator performance variability, with very limited need for manual intervention. The latter aspect makes this work one of the very few attempts to simplify and promote the application of model-based online optimization/control to real-life industrial problems. The aforementioned methodologies are demonstrated on several industrially motivated problems, including batch and fed-batch reaction systems as well as a multi-stage batch process for the production of a fine chemical.

Questa tesi si focalizza sullo sviluppo e sull’applicazione di metodi ed algoritmi innovativi per l’ottimizzazione in tempo reale ed il controllo ottimale di processi batch, in presenza di incertezza nel modello di processo. In particolare, propone nuove soluzioni per l’ottimizzazione dinamica, sia deterministica che stocastica, e per il controllo ottimale, sia deterministico che stocastico, applicabili a singole operazioni batch, così come nuove strategie per la soluzione simultanea di scheduling, ottimizzazione dinamica e controllo ottimale nell’ambito dei processi batch multi stadio. Inoltre, riporta un approccio innovativo ed a basso costo computazionale per la stima della distribuzione di probabilità dei parametri incerti di un sistema ODE/DAE da misure sperimentali e una nuova metodologia per la scelta del miglior set di parametri incerti all’interno di problemi di ottimizzazione stocastica. Tutte queste metodologie sono progettate in modo da risultare flessibili e generali, pertanto possono essere applicate a problemi relativi a diversi settori industriali come, per esempio, l’industria farmaceutica, la chimica fine, le produzioni alimentari ed il drug delivery. Inoltre, la loro formulazione permette il loro utilizzo combinato e simultaneo, al fine di generare strutture di ottimizzazione/controllo efficienti ed affidabili, che siano in grado di gestire non idealità tipiche dei processi batch, per esempio fouling e variabilità nella qualità delle materie prime, senza alcun significativo intervento correttivo da parte degli operatori di campo/sala controllo. Quest’ultimo aspetto rende questo lavoro uno dei pochi tentativi di semplificare e promuovere l’applicazione dell’ottimizzazione/controllo model-based in contesti industriali. Tutte le metodologie sopra citate sono testate su diversi problemi di rilevanza industriale comprendenti sistemi batch e semi-batch così come un processo batch multi stadio per la produzione di un fine chemical.