Automating surrogate modeling tools for digitalization in the chemical Industry : application on optimization and predictive maintenance

The industry of the future will increasingly incorporate digital tools into the manufacturing process to enhance efficiency, safety, and productivity. This shift, integral to Industry 4.0, emphasizes the necessity for automated digital tools that can be generalized across various industries and processes to facilitate this transition effectively. The chemical industry, in particular, is challenged by the need to utilize the extensive data generated during process operations. In this context, surrogate modeling emerges as an effective digital tool for addressing and accelerating a range of chemical engineering problems, including optimization, process control, and monitoring. This thesis examines the applications of surrogate modeling within the chemical industry, aiming to bridge the gap between theoretical advancements and practical industrial applications. It introduces a novel automated framework for generating surrogate models from process simulations, supported by digital-twin-generated data through careful design of computer experiments and meticulous machine learning surrogate model selection. The utility of this framework is demonstrated through two industrial case studies: the global surrogate modeling of an amine scrubbing process at Itelyum Regeneration S.p.A., and the optimization of a biogas to methanol pilot plant at Fattoria Autonoma Tabacchi S.p.A. Furthermore, this work develops a methodology for automated performance forecasting of industrial units using Gaussian process regression with advanced kernel selection, which is shown to surpass traditional polynomial regression in predictive maintenance applications. This method is validated on a direct-fired heater affected by fouling at Itelyum Regeneration S.p.A. The findings of this thesis are twofold: the development of methods and the subsequent industrial outcomes. Notably, the surrogate-aided optimization achieved a 22\% reduction in energy expenditure, while the performance forecasting method could reliably predict the end of run day up to 30 days in advance, within an average operational period of less than 70 days. This work underscores the potential of solving industrially relevant problems in an automated manner, with capabilities that easily generalize across different processes.

L'industria del futuro incorporerà sempre più strumenti digitali nel processo di produzione per migliorare l'efficienza, la sicurezza e la produttività. Questo cambiamento, parte integrante dell'Industria 4.0, sottolinea la necessità di strumenti digitali automatizzati che possano essere generalizzati attraverso vari settori e processi per facilitare efficacemente questa transizione. L'industria chimica, in particolare, è sfidata dalla necessità di utilizzare i vasti dati generati durante le operazioni di processo. In questo contesto, la modellazione surrogata emerge come uno strumento digitale efficace per affrontare e accelerare una serie di problemi di ingegneria chimica, tra cui l'ottimizzazione, il controllo del processo e il monitoraggio. Questa tesi esamina le applicazioni della modellazione surrogata nell'industria chimica, con l'obiettivo di colmare il divario tra i progressi teorici e le applicazioni industriali pratiche. Introduce un nuovo framework automatizzato per la generazione di modelli surrogati a partire da simulazioni di processo, supportato da dati generati da gemelli digitali attraverso un'attenta progettazione di esperimenti al computer e una meticolosa selezione di modelli surrogati di apprendimento automatico. L'utilità di questo framework è dimostrata attraverso due casi di studio industriali: la modellazione surrogata globale di un processo di lavaggio con ammine presso Itelyum Regeneration S.p.A. e l'ottimizzazione di un impianto pilota per la conversione di biogas in metanolo presso Fattoria Autonoma Tabacchi S.p.A. Inoltre, questo lavoro sviluppa una metodologia per la previsione automatizzata delle prestazioni delle unità industriali utilizzando la regressione dei processi gaussiani con selezione avanzata del kernel, che si dimostra superiore alla regressione polinomiale tradizionale nelle applicazioni di manutenzione predittiva. Questo metodo è validato su un riscaldatore a fiamma diretta affetto da incrostazioni presso Itelyum Regeneration S.p.A. I risultati di questa tesi sono due: lo sviluppo di metodi e i conseguenti risultati industriali. In particolare, l'ottimizzazione assistita da modelli surrogati ha ottenuto una riduzione del 22% del consumo energetico, mentre il metodo di previsione delle prestazioni è stato in grado di prevedere con affidabilità la fine del ciclo operativo fino a 30 giorni in anticipo, su un periodo operativo medio di meno di 70 giorni. Questo lavoro sottolinea il potenziale di risolvere problemi rilevanti a livello industriale in modo automatizzato, con capacità che si generalizzano facilmente attraverso diversi processi.