ШТУЧНИЙ ІНТЕЛЕКТ ЯК ІНСТРУМЕНТ ХІМІЧНОЇ ІНЖЕНЕРІЇ: АНАЛІЗ, МОДЕЛЮВАННЯ, ЧИСЛОВІ МЕТОДИ, ОПТИМІЗАЦІЯ, ІНТЕГРАЦІЯ
DOI:
https://doi.org/10.20998/2078-5364.2025.3.06Ключові слова:
штучний інтелект, хімічна інженерія, інформаційні технології, ШІ, математичне моделювання, імітаційна модель, інтеграція, оптимізація, симуляціяАнотація
У статті розглянуто сучасні напрями застосування штучного інтелекту (ШІ) у хімічній інженерії як потужного інструмента для вирішення широкого спектра дослідницьких та інженерно-технологічних задач. Зроблено акцент на системній інтеграції ШІ з числовими методами, математичним моделюванням, оптимізацією технологічних процесів та автоматизованим управлінням промисловим обладнанням. Здійснено огляд сучасної літератури, який підтверджує актуальність теми, зростання наукового інтересу до машинного навчання та глибинних нейронних мереж у прикладних хімічних задачах, а також зміщення парадигми моделювання – від аналітичних рівнянь до гібридних, інтерпретованих моделей, що враховують обидві методології. Наведено численні приклади ефективного використання ШІ для побудови імітаційних моделей, розв’язання обернених задач, передбачення властивостей матеріалів, оптимізації сировинного складу та прогнозування технічного стану обладнання. Показано, що нейромережеві моделі здатні у десятки разів прискорити чисельні розрахунки та підвищити їх точність.
Окрему увагу приділено концепції «розумного заводу» – як нового рівня інтеграції виробничих систем, в якому ШІ виконує роль координаційного центру між логістичними, енергетичними та технологічними підсистемами. Також проаналізовано здобутки у галузі створення цифрових двійників хімічних установок, мультиагентних систем і платформ підтримки прийняття рішень у режимі реального часу. Встановлено, що ефективність застосування ШІ значно зростає при поєднанні з класичними числовими алгоритмами. Обґрунтовано переваги гібридного підходу, при якому наукові знання доповнюють машинне навчання, а МН – компенсує недоліки фізико-хімічних моделей у випадках складних, неповних чи нестабільних вхідних даних. Виокремлено типові проблеми: недостатня інтерпретованість моделей, обмеженість доступу до якісних вхідних даних, технічні обмеження існуючих виробничих ліній та потреба в стандартизації ШІ-інструментів у критичних технологіях.
Зроблено висновок про те, що ШІ вже перейшов межу суто академічного інте- ресу й став рушієм глибоких трансформацій у проєктуванні, експлуатації, оптимізації й управлінні хімічними виробництвами. Акцентовано, що майбутня конкурентоспроможність хімічної інженерії залежатиме від здатності підприємств впроваджувати адаптивні, інтерпретовані та безпечні ШІ-рішення на всіх етапах життєвого циклу продукту – від ідеї до утилізації.
Посилання
Laska M., Karwala I. Artificial Intelligence in the Chemical Industry – Risks and Opportunities. Scientific Papers of Silesian University of Technology. Organization and Management Series. 2023. No. 172. P. 403–416.
Rahmani M. Artificial Intelligence in Chemical Engineering and Hydrocarbon In- dustry, Challenges and Opportunities. The 18th Iranian National Congress of Chemical Engineering. Tabriz, Iran, 2024.15 p.
Namdeti R. Artificial Intelligence in Chemical Engineering: Past, Present, and Future Perspectives. Journal of Chemical Health Risks. 2023. Vol. 13, No. 6. P. 2051–2061.
Zhang D., del Río Chanona E. A. Machine Learning and Hybrid Modelling for Reaction Engineering: Theory and Applications. Theoretical and Computational Chemistry Series. No. 26. The Royal Society of Chemistry, 2024. 440 p.
Huzova I. O., Nahurskyi A. O., Atamaniuk V. M. Chyselne modeliuvannia khimi- ko-tekhnolohichnykh protsesiv z vykorystanniam modeliuiuchoi prohramy ChemCad : navch. posib. Lviv : Vydavnytstvo Lvivskoi politekhniky, 2021. 136 p.
Veretiuk O., Andrushchak N. Metody ta modeli mashynnoho navchannia v khimii ta materialoznavstvi na prykladi eksperymentu z dyfuziieiu rozchynenoi rechovyny. Kompi- uterni systemy proektuvannia. Teoriia i praktyka. 2024. Vyp. 6, No. 1. P. 68–78.
Dutta D., Upreti S. R. Artificial Intelligence-Based Process Control in Chemical, Biochemical, and Biomedical Engineering. The Canadian Journal of Chemical Engineering. 2021. Vol. 99. P. 2467–2504.
Shen R., Su W. A Review of the Applications of Artificial Intelligence in the Pro- cess Analysis and Optimization of Chemical Products. Pharmaceutical Fronts. 2023. Vol. 5.
P. 219–226.
Roh J., Park H., Kwon H. et al. Interpretable Machine Learning Framework for Catalyst Performance Prediction and Validation with Dry Reforming of Methane. Applied Catalysis B: Environmental. 2023. Vol. 343, Article 123454.
Srivastava S., Varshney B., Sharma V. P. et al. Applications of Artificial Intelligence in Polymer Manufacturing. Application of Artificial Intelligence in New Materials Discovery. Materials Research Foundations. 2023. Vol. 147. P. 105–122.
Lu Y., Liu C., I-Kai Wang K. et al. Digital Twin-Driven Smart Manufacturing: Connotation, Reference Model, Applications and Research Issues. Robotics and Computer-Integrated Manufacturing. 2020. Vol. 61, Article 101837.
Wang J., Xu C., Zhang J. et al. Big Data Analytics for Intelligent Manufacturing Systems: A Review. Journal of Manufacturing Systems. 2022. Vol. 62. P. 738–752.
Sharma N., Liu Y. A. A Hybrid Science-Guided Machine Learning Approach for Modeling Chemical Processes: A Review. AIChE Journal. 2022. Vol. 68, Article 17609.
Aghbashlo M., Peng W., Tabatabaei M. et al. Machine Learning Technology in Biodiesel Research: A Review. Progress in Energy and Combustion Science. 2021. Vol. 85, Article 100904.
Cauvin S., Celse B. CHEM: Advanced Decision Support Systems for Chemical/Petrochemical Process Industries. Computer Aided Chemical Engineering. 2004. Vol. 18.
P. 1027–1032.
Ruiz D., Casas A., Escobar C. A. et al. Advanced Machine Learning Techniques for Corrosion Rate Estimation and Prediction in Industrial Cooling Water Pipelines. Sensors. 2024. Vol. 24, No. 11, Article 3564.
Abuwatfa W. H., AlSawaftah N., Darwish N. et al. A Review on Membrane Fouling Prediction Using Artificial Neural Networks (ANNs). Membranes. 2023. Vol. 13, No. 7, Article 685.
Ukawa C., Yamashita Y. Fault Detection and Diagnosis for Chemical Processes Based on Deep Neural Networks with Continuous Wavelet Transform. Computer Aided Chemical Engineering. 2023. Vol. 52. P. 1681–1686.
Jablonka K. M., Ongari D., Moosavi S. M. et al. Big-Data Science in Porous Mate-rials: Materials Genomics and Machine Learning. Chemical Reviews. 2020. Vol. 49, No. 22.
P. 8066–8129.
Wang G., Xuefei W., Bo X. et al. Machine Learning in Unmanned Systems for Chemical Synthesis. Molecules. 2023. Vol. 28, No. 5, Article 2232.
Wang C., Wang W., Sun Y. et al. Hybrid Modeling of Methanol to Olefin Fluidized Bed Reactor Corrected by Artificial Neural Network. Chemical Engineering Science. 2025. Vol. 307, Article 121323.
Albino M., Gargalo C. L., Nadal-Rey G. et al. Hybrid Modeling for On-Line Fermentation Optimization and Scale-Up: A Review. Processes. 2024. Vol. 12, Article 1635.
Liu L., Tan F., Wu Z. et al. Combining Genetic Algorithm and Deep Learning to Optimize a Chemical Kinetic Mechanism of Ammonia Under High Pressure. Fuel. 2024. Vol. 360, Article 130508.
Pai S. M., Shah K. A., Sunder S. et al. Machine Learning Applied to the Design and Optimization of Polymeric Materials: A Review. Next Materials. 2025. Vol. 7, Article 100449.
Ilyunin O., Bezsonov O., Rudenko S. et al. The Neural Network Approach for Estimation of Heat Transfer Coefficient in Heat Exchangers Considering the Fouling Formation Dynamic. Thermal Science and Engineering Progress. 2024. Vol. 51, Article 102615.
Patil A., Soni G., Prakash A. A BMFO-KNN Based Intelligent Fault Detection Approach for Reciprocating Compressor. International Journal of System Assurance Engineering and Management. 2021. Vol. 13. P. 797–809.
Singh V., Kodamana H. Reinforcement Learning Based Control of Batch Polymerisation Processes. IFAC-PapersOnLine. 2020. Vol. 53, Iss. 1. P. 667–672.
Yu X., Yang J., Meng X. et al. Event-Triggered Adaptive NN Practical Finite-Time Control with its Application to MPCVD Reactors. Journal of the Franklin Institute. 2023. Vol. 360, Iss. 3. P. 1870–1883.
Stokes J. M., Yang K., Swanson K. et al. A Deep Learning Approach to Antibiotic Discovery. Cell. 2020. Vol. 180, Iss. 4. P. 688–702.
Jain A., Ong S. P., Hautier G. et al. Commentary: The Materials Project: A Mate- rials Genome Approach to Accelerating Materials Innovation. APL Materials. 2013. Vol. 1, No. 1, Article 011002.
Alzaid S. S., Alkahtani B. S. T., Chandan K. et al. Transient Thermal Distribution in a Wavy Fin Using Finite Difference Approximation Based Physics Informed Neural Net-work. Computer Modeling in Engineering and Sciences. 2024. Vol. 141, Iss. 3. P. 2555–2574.
Wang H., Yin Y., Hui X. Y. et al. Prediction of Effective Diffusivity of Porous Media Using Deep Learning Method Based on Sample Structure Information Self- Amplification. Energy and AI. 2020. Vol. 2, Article 100035.
Lin Y. T., Feng S., Hlavacek W. Scaling Methods for Accelerating Kinetic Monte Carlo Simulations of Chemical Reaction Networks. The Journal of Chemical Physics. 2019. Vol. 150, Article 244101.
Faber R., Arellano-Garcia H., Wozny G. A Hybrid Optimization Approach to Parameter Estimation. Computer Aided Chemical Engineering. 2007. Vol. 24. P. 75–80.
Atuonwu J. C. A Simulation Tool for Pinch Analysis and Heat Exchanger/Heat Pump Integration in Industrial Processes: Development and Application in Challenge-Based Learning. Education for Chemical Engineers. 2025. Vol. 52. P. 141–150.
Vrba P. Review of Industrial Applications of Multi-Agent Technologies. Studies in Computational Intelligence. 2013. Vol. 472. P. 327–338.
Aminzadeh A., Karganroudi S. S., Majidi S. et al. A Machine Learning Implementation to Predictive Maintenance and Monitoring of Industrial Compressors. Sensors. 2025. Vol. 25, No. 4, Article 1006.
