Η χημική μηχανική, η επιστήμη των δεδομένων και η τεχνητή νοημοσύνη σε «ένα»

Στην εποχή της 4ης βιομηχανικής επανάστασης (industry 4.0), όλο και περισσότερες εταιρείες προσπαθούν να αξιοποιήσουν στο έπακρον τα δεδομένα που έχουν στην κατοχή τους για την περεταίρω βελτιστοποίηση όλων των σταδίων της παραγωγής, κυρίως μέσω μεθόδων μηχανικής μάθησης (machine learning – ML). Τί γίνεται όμως όταν μια εταιρεία παραγωγής κοπτικών εργαλείων θέλει να χρησιμοποιήσει τα δεδομένα μιας περίπλοκης χημικής διεργασίας με σκοπό την αριστοποίησή της; Θα αρκέσουν άραγε μόνο τα δεδομένα; Μήπως οι εξισώσεις από μόνες τους είναι επαρκείς; Ή μήπως τελικά, ένας συνδυασμών δεδομένων και εξισώσεων θα καταφέρει να δώσει καλύτερα αποτελέσματα;

Η πορεία μου στην έρευνα ξεκινάει τον Φλεβάρη του 2020, όταν ως προπτυχιακός φοιτητής της σχολής Χημικών Μηχανικών του Εθνικού Μετσόβιου Πολυτεχνείου (ΕΜΠ) αναχωρώ για την Τουλούζη για να εργαστώ ως ασκούμενος στο εργαστήριο του CIRIMAT (Centre Inter-universitaire de Recherche et d’Ingénierie des Matériaux) στο πλαίσιο του προγράμματος Erasmus+. Το θέμα της πρακτικής μου άσκησης ήταν η ανάλυση -με διάφορες μεθόδους- των παραγόμενων μέσω διεργασιών χημικής απόθεσης από ατμό (chemical vapor deposition – CVD) επιστρώσεων οξυνιτριδίου του πυριτίου (SiOXNY). Η ανάλυση αυτών των επιστρώσεων είναι απαραίτητη για την αντιστοίχιση των συνθηκών και των παραμέτρων της παραγωγής με τις ιδιότητες του τελικού προϊόντος. Το θέμα αυτής της πρακτικής άσκησης αποτέλεσε και το θέμα της διπλωματικής μου εργασίας, δίνοντας το έναυσμα για την μετέπειτα ενασχόληση μου με τον τομέα των διεργασιών χημικής απόθεσης από ατμό.

Το ενδιαφέρον μου για το συγκεκριμένο είδος διεργασιών, με έφερε, τις αρχές του 2021, στην θέση του υποψηφίου διδάκτορα σε ένα πολύ ενδιαφέρον ερευνητικό project.

Το project αυτό αφορά την ανάπτυξη υβριδικών μεθόδων (εξισώσεων/δεδομένων) για την πρόβλεψη και την ανάλυση βιομηχανικής κλίμακας διεργασιών χημικής απόθεσης από ατμό.

Η άμεση σύνδεση ενός προβλήματος χημικής μηχανικής με την επιστήμη δεδομένων και την τεχνητή νοημοσύνη (AI) ήταν κάτι που με ενθουσίασε από την πρώτη στιγμή που άκουσα για το project. Επίσης, η άμεση σύνδεση του με ένα πραγματικό βιομηχανικό πρόβλημα το εντάσσει στο πλαίσιο της 4ης βιομηχανικής επανάστασης. Αυτοί οι δύο λόγοι με οδηγήσαν στο να κυνηγήσω την ευκαιρία και να εκπονήσω το διδακτορικό μου σε αυτό το project, κάτι που χάρη στην εξωστρέφεια των δύο πανεπιστημίων (ΕΜΠ και Πανεπιστήμιο του Λουξεμβούργου -Uni.lu), θα έχω την δυνατότητα να κάνω στο πλαίσιο ενός cotutelle. Αυτό σημαίνει επίβλεψη και από τα δύο πανεπιστήμια, λαμβάνοντας έτσι πολύτιμη καθοδήγηση και από τις δύο πλευρές.

Το project

Το project αυτό, έχοντας βιομηχανικό χαρακτήρα, λαμβάνει χρηματοδότηση τόσο από το εθνικό ίδρυμα ερευνών του Λουξεμβούργου (FNR – Luxembourg National Research Fund), όσο και από την CERATIZIT Luxembourg S.à.r.l., μια πρωτοπόρο εταιρεία στον τομέα παραγωγής κοπτικών εργαλείων με βάση το Λουξεμβούργο και έντονη διεθνή παρουσία.

Η εταιρία αυτή παράγει κοπτικά εργαλεία και χρησιμοποιεί την διεργασία απόθεσης από ατμό για να επικαλύψει αυτά τα εργαλεία με συγκεκριμένες επιστρώσεις, με στόχο την βελτίωση των ιδιοτήτων (αντοχή, σκληρότητα) του τελικού προϊόντος. Κατά την χημική απόθεση από ατμό, ένα μείγμα αερίων εισέρχεται στον αντιδραστήρα, οπού μετά από μια σειρά χημικών αντιδράσεων γίνεται η απόθεση μιας λεπτής επίστρωσης στην επιφάνεια των κοπτικών εργαλείων. Υπάρχουν πολλά μοντέλα κοπτικών εργαλείων, με το κάθε μοντέλο να έχει ξεχωριστή γεωμετρία. Κάθε παρτίδα διαφέρει από την προηγούμενη τόσο ως προς την γεωμετρία των διαφορετικών εργαλείων που επικαλύπτονται, όσο και ως προς την σειρά κατά την οποία αυτά τοποθετούνται εντός του χημικού αντιδραστήρα. Παρόλες αυτές τις διαφορές όμως, η ομοιομορφία του πάχους των επιστρώσεων οφείλει να παραμένει σταθερή. Η ομοιομορφία του πάχους των επιστρώσεων από παρτίδα σε παρτίδα είναι εξαιρετικά σημαντική, καθώς αυτή διασφαλίζει την παρόμοια συμπεριφορά των κοπτικών εργαλείων κατά την χρήση τους από τον τελικό χρήστη. Τυχόν ανομοιομορφία θα οδηγούσε σε άσχημες εκπλήξεις, καθώς θα σήμαινε ότι το ίδιο εργαλείο για την ίδια χρήση θα φθείρονταν πιο γρήγορα ή πιο αργά από παρτίδα σε παρτίδα.

Για την διασφάλιση αυτής της ομοιομορφίας, είναι αναγκαία η ανάπτυξη ενός εργαλείου το οποίο θα επιτρέπει την πρόβλεψη του πάχους των παραγόμενων επιστρώσεων, δεδομένων των παραμέτρων της διεργασίας (θερμοκρασία, πίεση) άλλα και του set-up του αντιδραστήρα (γεωμετρία των κοπτικών εργαλείων, σειρά τοποθέτησης τους εντός του αντιδραστήρα). Με αυτόν τον τρόπο, οι μηχανικοί της παραγωγής θα μπορούν να επιλέξουν της κατάλληλες παραμέτρους για την κάθε παρτίδα και την κατάλληλη σειρά τοποθέτησης των κοπτικών εργαλείων εντός του αντιδραστήρα.

Το πρόβλημα αυτό μπορεί να λυθεί μέσω μοντέλων υπολογιστικής ρευστοδυναμικής (Computational Fluid Dynamics (CFD) models), τα οποία «κόβουν» τον αντιδραστήρα σε πολλά μικρά κομμάτια και λύνουν τις εξισώσεις που περιγράφουν το φαινόμενο σε κάθε επιμέρους κομμάτι. Τα μοντέλα ανήκουν στην οικογένεια των μεθόδων που βασίζονται σε εξισώσεις (equation-based methods). Τον τελευταίο χρόνο, καταφέραμε να αναπτύξουμε ένα τέτοιο μοντέλο. Το μοντέλο αυτό μπορεί να υπολογίσει με ακρίβεια το πάχος των παραγόμενων επιστρώσεων για ένα set-up του αντιδραστήρα και να δώσει μια εικόνα για τα διάφορα φαινόμενα που λαμβάνουν χώρα εντός του. Παρόλα αυτά απαιτεί σημαντικούς υπολογιστικούς πόρους για τους υπολογισμούς (~3 ώρες). Αν θέλαμε λοιπόν να δοκιμάσουμε πολλά διαφορετικά set-up για να βρούμε αυτό που θα έχει την μεγαλύτερη δυνατή ομοιομορφία σε καθημερινή βάση, θα μπορούσαμε να δοκιμάσουμε το πολύ 8 διαφορετικά.

Η πρόβλεψη του πάχους των επιστρώσεων μπορεί να αντιμετωπιστεί επίσης με την χρήση των δεδομένων της παραγωγής, μιας και στο φύλλο παραγωγής κάθε παρτίδας υπάρχουν διαθέσιμες μετρήσεις του πάχους των επιστρώσεων σε διάφορα σημεία εντός του αντιδραστήρα, καθώς και δεδομένα για τις παραμέτρους και το set-up του αντιδραστήρα. Έτσι, διαθέτοντας μεγάλη ποσότητα δεδομένων ανά τα χρόνια, μέσω της χρήσης αλγορίθμων μηχανικής μάθησης (machine learning), μπορούμε να προβλέψουμε με ικανοποιητική ακρίβεια το αποτέλεσμα της διεργασίας. Οι αλγόριθμοι αυτοί ανήκουν στην οικογένεια των μεθόδων που βασίζονται σε δεδομένα (data-driven methods). Αξίζει να αναφερθεί ότι οι αλγόριθμοι αυτοί είναι σημαντικά πιο γρήγοροι από το μοντέλο υπολογιστικής ρευστοδυναμικής που έχει αναπτυχθεί, διότι απαιτούν πολύ λιγότερους υπολογιστικούς πόρους. Η χρήση δεδομένων από διάφορες χρονιές παραγωγής, μας επιτρέπει επίσης την διερεύνηση της επίδρασης των διαφόρων αλλαγών που έγιναν στην διεργασία στο τελικό προϊόν. Παρόλα αυτά, η ακρίβεια των προβλέψεων τους είναι χαμηλότερη από αυτή του μοντέλου ρευστοδυναμικής. Επίσης, δεν μας δίνουν καμία εικόνα για το τί συμβαίνει εντός του αντιδραστήρα, καθώς δρουν σαν «μαύρα κουτιά».

Τελικός στόχος

Τελικός στόχος του project είναι η ανάπτυξη υβριδικών μεθόδων. Οι μέθοδοι αυτοί θα συνδυάζουν στοιχεία των μεθόδων που είναι βασισμένες σε εξισώσεις και των μεθόδων που είναι βασισμένες σε δεδομένα. Οι υβριδικές μέθοδοι που θα αναπτυχθούν από το συγκεκριμένο project ιδανικά θα έχουν τα καλά στοιχεία και των δυο οικογενειών μεθόδων. Δηλαδή, ελπίζουμε να καταλήξουμε σε ένα εργαλείο το οποίο θα μπορεί να προβλέπει το αποτέλεσμα της διεργασίας για πολλά διαφορετικά set-up του αντιδραστήρα, με μεγάλη ακρίβεια, διατηρώντας ταυτόχρονα χαμηλό υπολογιστικό κόστος.

*Το μοντέλο ρευστοδυναμικής που αναφέρθηκε παραπάνω παρουσιάστηκε στο 10th GRACM International Conference in the field of Computational Mechanics τον Ιούνιο του 2021, και μετά από περεταίρω βελτιώσεις, προβλέπεται να δημοσιευτεί σε διεθνές επιστημονικό περιοδικό εντός του 2022.
Η διερεύνηση της χρήσης των διάφορων αλγορίθμων μηχανικής μάθησης για τα διαθέσιμα δεδομένα και η σύγκριση της απόδοσής τους (ακρίβεια, ταχύτητα) για την συγκεκριμένη εφαρμογή αναμένεται επίσης να δημοσιευθεί σε διεθνές επιστημονικό περιοδικό εντός του 2022.

Ο Πάρις Παπαβασιλείου είναι υποψήφιος διδάκτορας του Εθνικού Μετσόβιου Πολυτεχνείου