Tiresias : an automated machine learning framework for the surrogate modelling of digital twins of chemical processes

Machine learning is a promising tool for the digitalization of the process industry. The most powerful application of machine learning in such a field is surrogate modelling. It could bring into play many benefits, making possible several implementations which would not be feasible otherwise. Among the advantages of surrogate modelling, the most evident is probably the tiny amount of time - if compared to standard digital twins - to obtain predictions of the outputs given the inputs of a chemical process. In the literature, diverse examples of such an approach are presented but the vast majority refer to single units and just a very few address an entire plant. In this work, such a gap is filled. Precisely, this work accomplishes two main targets. First of all, a deep investigation of the insights of supervised machine learning techniques on a real chemical plant has been carried out. The plant at hand consists in the amine washing section of an oil refinery owned by Itelyum Srl and located in Pieve Fissiraga (Lodi, Italy). After realizing a digital twin in Aspen Hysys® of such a plant, machine learning techniques has been exploited to predict whether the digital twin would reach convergence (classification task) and to develop a surrogate model of the digital twin (regression task) by using VBA® and Python®. Then, strengths and weaknesses of the machine learning applications have been discussed in details. What emerges is mainly that machine learning can offer a faster alternative to standard digital twins, but its reliability is massively dependent on the quality of the data which are exploited during the learning. In addition, as a second target, an automated framework to build machine learning based surrogate modelling of any chemical plant has been produced through VBA® and Python®. Therefore, this work offers a way to understand insights on machine learning methods referred to chemical processes and provides a tool to build their surrogate models with almost no efforts.

ILmachine learning rappresenta una promettente opportunità per la digitalizzazione dell’industria di processo. La più rilevante applicazione di machine learning in questo ambito è il modello surrogato. Esso può apportare diversi benefici, rendendo possibili alcune implementazioni che sarebbero altrimenti non realizzabili. Tra questi vantaggi, il più evidente è probabilmente il significativo risparmio di tempo - se comparato con un classico digital twin - per ottenere predizioni di outputs conoscendo il valore degli inputs di un processo chimico. In letteratura, differenti esempi di questo approccio sono discussi ma la maggior parte si riferiscono a singole unità. Molti pochi riguardano un intero impianto chimico. In questa tesi, questo gap è colmato. In dettaglio, questo lavoro raggiunge due obiettivi. Per primo, un’approfondita analisi dei risvolti di tecniche di supervised machine learning su un impianto chimico reale è portata a termine. L’impianto in questione consiste nel lavaggio ammine di una raffineria situata a Pieve Fissiraga (Lodi, Italia) e posseduta dall’azienda Itelyum Srl. Dopo aver realizzato un digital twin di questo impianto in Aspen Hysys® , tecniche di machine learning sono state sfruttate per predirre se il digital twin avrebbe raggiunto convergenza (classificazione) e per sviluppare un modello surrogato del digital twin (regressione) utilizzando VBA® and Python®. Successivamente, pro e contro delle applicazioni di machine learning sono stati discussi. Il messaggio principale che emerge dall’analisi è che il machine learning può offrire una più veloce alternativa al classico digital twin, ma la sua affidabilità è fortemente influenzata dalla qualità dei dati utilizzati durante la fase di learning. Inoltre, come secondo obiettivo, un sistema automatico per sviluppare modelli surrogati basati su machine learning di qualsiasi processo chimico è stato prodotto utilizzando VBA® and Python®. Perciò, questo lavoro offre un metodo per comprendere gli aspetti principali legati a tecniche di machine learning riferite a processi chimici e fornisce un sistema automatico per costruire modelli surrogati con un livello di sforzo minimo.