A tutorial overview of model predictive control for continuous crystallization: current possibilities and future perspectives

तकनीकी सारांश: निरंतर क्रिस्टलीकरण के लिए मॉडल प्रेडिक्टिव कंट्रोल का एक ट्यूटोरियल अवलोकन

समस्या विवरण
निरंतर क्रिस्टलीकरण प्रक्रियाओं को बैच-दर-बैच परिवर्तनशीलता और परिचालन लागत को कम करने की उनकी क्षमता के लिए विशेष रूप से फार्मास्युटिकल उद्योग में तेजी से मान्यता मिल रही है। हालांकि, उन्नत नियंत्रण रणनीतियों जैसे कि मॉडल प्रेडिक्टिव कंट्रोल (MPC) को तैनात करना चुनौतीपूर्ण बना हुआ है। प्रभावी नियंत्रण के लिए निरंतर चरण (सांद्रता, तापमान) और कण चरण (कण आकार वितरण, PSD) दोनों के सटीक मॉडलिंग की आवश्यकता होती है।
मुख्य कठिनाई उच्च-सटीकता वाले जनसंख्या संतुलन समीकरणों (PBEs) के साथ स्थानिक रूप से वितरित क्रिस्टलाइज़र मॉडल (जैसे, प्लग-फ्लो, स्लग-फ्लो) को संयोजित करने से उत्पन्न होने वाली कम्प्यूटेशनल जटिलता है, जो पूर्ण PSD को ट्रैक करते हैं। ये संयोजन अक्सर जटिल आंशिक अंतर समीकरणों (PDEs) का परिणाम देते हैं जो वास्तविक समय के अनुकूलन (real-time optimization) के लिए कम्प्यूटेशनल रूप से अव्यवहार्य होते हैं। जबकि मोमेंट-आधारित विधियाँ (जो पूर्ण वितरण के बजाय सांख्यिकीय मोमेंट्स को ट्रैक करती हैं) कम्प्यूटेशनल सरलता प्रदान करती हैं, वे PSD के पूर्ण आकार को पकड़ने में विफल रहती हैं, जो उत्पाद की गुणवत्ता के लिए महत्वपूर्ण है। इसके अलावा, मौजूदा साहित्य समीक्षाएं अक्सर इन विषयों को अलग-थलग (जैसे, PBE समाधान विधियां, अच्छी तरह से मिश्रित प्रणालियों का नियंत्रण, या सामान्य मशीन लर्निंग अनुप्रयोग) संबोधित करती हैं, लेकिन स्थानिक रूप से वितरित मॉडलों, पूर्ण PSD रिज़ॉल्यूशन और वास्तविक समय के MPC को एकीकृत करने वाले एक व्यापक ढांचे का अभाव है।

कार्यप्रणाली
यह शोध पत्र उच्च-स्यता वाले प्रथम-सिद्धांत (first-principle) मॉडलों और वास्तविक समय के नियंत्रण के बीच के अंतर को पाटकर, निरंतर क्रिस्टलीकरण में MPC लागू करने के लिए एक ट्यूटोरियल अवलोकन और व्यावहारिक रोडमैप प्रदान करता है। कार्यप्रवाह को तीन मुख्य चरणों में संरचित किया गया है:

1. उच्च-सटीकता मॉडलिंग (High-Fidelity Modeling):

   • PBE समाधान विधियाँ: लेखक PBE को हल करने के लिए पांच संख्यात्मक विधियों की समीक्षा और तुलना करते हैं: स्टैंडर्ड मेथड ऑफ मोमेंट्स (SMOM), क्वाड्रचर मेथड ऑफ मोमेंट्स (QMOM), डिसक्रेटाइज्ड पॉपुलेशन बैलेंस इक्वेशन (DPBE), ऑर्थोगोनल कोलोकेशन ऑन फाइनाइट एलीमेंट्स (OCFE), और मोंटे कार्लो (MC) सिमुलेशन। वे प्रदर्शित करते हैं कि जबकि मोमेंट-आधारित विधियाँ कुशल हैं, वे पूर्ण PSD को हल नहीं कर सकतीं। पूर्ण रिज़ॉल्यूशन के लिए, DPBE और OCFE को प्राथमिकता दी जाती है, जिसमें DPBE, विशेष रूप से एकग्रेशन (agglomeration)-प्रधान प्रणालियों के लिए ज्यामितीय ग्रिड का उपयोग करते समय, स्थिरता और सटीकता के बीच एक मजबूत समझौता प्रदान करता है।
   • क्रिस्टलाइज़र अवधारणाएं: ट्यूटोरियल तीन अलग-अलग प्रणालियों के मॉडलिंग का विवरण देता है: एक एकल-चरण MSMPR (मिक्स्ड सस्पेंशन मिक्स्ड प्रोडक्ट रिमूवल) क्रिस्टलाइज़र, एक दो-चरण MSMPR कैस्केड, और एक ट्यूबलर (प्लग-फ्लो) क्रिस्टलाइज़र। ये मॉडल निरंतर चरण के लिए द्रव्यमान और ऊर्जा संतुलन के साथ PBE को जोड़ते हैं।

2. सरोगेट मॉडल विकास (Surrogate Model Development):

   • वास्तविक समय के अनुकूलन को सक्षम करने के लिए, उच्च-सटीकता वाले प्रथम-सिद्धांत मॉडलों को डेटा-संचालित सरोगेट मॉडलों का उपयोग करके अनुमानित किया जाता है।
   • तीन सरोगेट मॉडलिंग तकनीकों का मूल्यांकन किया गया है: सबस्पेस आइडेंटिफिकेशन (रैखिक), न्यूरल नेटवर्क का उपयोग करके नॉनलीनियर ऑटोरेgressive मॉडल विद एक्सोजेनस इनपुट्स (NARX), और रिकरेंट न्यूरल नेटवर्क (RNN)।
   • अध्ययन पूर्ण स्टेट वेक्टर के बजाय केवल नियंत्रण-प्रासंगिक मापों (जैसे, माध्य व्यास $L_{43}$ या मध्यिका $d_{50}$) की भविष्यवाणी करके मॉडल की जटिलता को कम करने पर जोर देता है। NARX मॉडल, जो इनपुट में स्पष्ट रूप से टेम्पोरल हिस्ट्री को एनकोड करते हैं, परीक्षण किए गए नॉनलीनियर क्रिस्टलीकरण सिस्टम के लिए RNN और रैखिक सबस्पेस मॉडल की तुलना में बेहतर भविष्यवाणी सटीकता प्रदर्शित करते हैं।

3. मॉडल प्रेडिक्टिव कंट्रोल कार्यान्वयन (Model Predictive Control Implementation):

   • विकसित सरोगेट्स को do-mpc और CasADi टूलबॉक्स का उपयोग करके एक MPC फ्रेमवर्क में एकीकृत किया गया है।
   • नियंत्रण उद्देश्य विशिष्ट कण आकार मेट्रिक्स (जैसे, $L_{43}$ या $d_{50}$) को ट्रैक करना है जबकि फीड फ्लो (उपज) को अधिकतम करना और सुपरसैचुरेशन या तापमान पर बाधाओं का सम्मान करना है।
   • सरोगेट मॉडल की अशुद्धियों का लाभ उठाने (मॉडल शोषण/model exploitation) से बचने के लिए, लेखक इनपुट परिवर्तनों को दंडित करने और लागत फलन (cost function) के भार को सावधानीपूर्वक ट्यून करने की सिफारिश करते हैं।

प्रमुख योगदान और परिणाम
यह शोध पत्र कार्यप्रवाह को मान्य करने के लिए दो प्राथमिक केस स्टडी प्रस्तुत करता है:

• केस 1: टू-स्टेज MSMPR क्रिस्टलाइज़र: यह प्रणाली एक बेंचमार्क के रूप में कार्य करती है जहाँ एक प्रथम-सिद्धांत मॉडल MPC के लिए कम्प्यूटेशनल रूप से व्यवहार्य है। परिणाम दिखाते हैं कि एक NARX-आधारित सरोगेट मॉडल का उपयोग करने वाला MPC कंट्रोलर, प्रथम-सिद्धांत मॉडल का उपयोग करने वाले कंट्रोलर के लगभग समान प्रदर्शन प्राप्त करता है। सरोगेट-आधारित कंट्रोलर सेटपॉइंट माध्य व्यास को सफलतापूर्वक ट्रैक करता है और फीड फ्लो को अधिकतम करता है, जिसमें क्लोज्ड-लूप लागत में मामूली वृद्धि और नगण्य बाधा उल्लंघन होता है।
• केस 2: ट्यूबलर क्रिस्टलाइज़र: यह एक जटिल, स्थानिक रूप से वितरित प्रक्रिया का प्रतिनिधित्व करता है जहाँ प्रत्यक्ष रूप से प्रथम-सिद्धांत मॉडल का उपयोग MPC में कम्प्यूटेशनल रूप से अव्यवहार्य है। सरोगेट-आधारित MPC सफलतापूर्वक मध्यिका कण आकार ($d_{50}$) को नियंत्रित करता है और तापमान बाधाओं का प्रबंधन करता है। अध्ययन इस बात पर प्रकाश डालता है कि हालांकि ट्यूबलर सिस्टम भौतिक रूप से अधिक जटिल है, न्यूरल नेटवर्क सन्निकटन (approximation) विवेकीकरण बाधा (discretization bottleneck) को समाप्त कर देता है, जिससे नियंत्रण समस्या हल करने योग्य हो जाती है। दिलचस्प बात यह है कि विशिष्ट बाधा संरचनाओं और कई चरणों के आउटपुट को भविष्यवाणी करने की आवश्यकता के कारण, MSMPR मामले के लिए कम्प्यूटेशनल समय MPC सॉल्वर में ट्यूबलर मामले की तुलना में अधिक था।

महत्व और दावे
लेखक दावा करते हैं कि यह ट्यूटोरियल पूर्ण PSD रिज़ॉल्यूशन के साथ स्थानिक रूप से वितरित क्रिस्टलाइजर्स के लिए MPC लागू करने के लिए एक पूर्ण, व्यावहारिक कार्यप्रवाह प्रदान करके साहित्य में एक महत्वपूर्ण अंतर को भरता है।

• व्यवहार्यता: शोध पत्र यह प्रदर्शित करता है कि अब यह कम्प्यूटेशनल रूप से व्यवहार्य है कि ऐसे MPC स्कीम्स विकसित किए जाएं जिनमें विस्तृत PSD मॉडल और स्थानिक रूप से वितरित क्रिस्टलाइज़र डायनेमिक्स दोनों शामिल हों, एक ऐसा संयोजन जिसे पहले वास्तविक समय के अनुकूलन के लिए बहुत जटिल माना जाता था।
• व्यावहारिक रोडमैप: ओपन-सोर्स कोड और इंटरैक्टिव उदाहरण प्रदान करके, यह कार्य प्रक्रिया इंजीनियरों और नियंत्रण शोधकर्ताओं के लिए प्रवेश की बाधा को कम करता है, जिससे उन्नत प्रक्रिया नियंत्रण और क्रिस्टलाइजेशन समुदायों के बीच सहयोग को बढ़ावा मिलता है।
• रणनीतिक मार्गदर्शन: यह एक निर्णय ढांचा (एक निर्णय वृक्ष के माध्यम से) प्रदान करता है जो चिकित्सकों को यह मार्गदर्शन करता है कि कब सरोगेट मॉडल आवश्यक हैं (जैसे, ट्यूबलर सिस्टम या पूर्ण PSD ट्रैकिंग के लिए) बनाम कब सरलीकृत प्रथम-सिद्धांत मॉडल पर्याप्त हैं (जैसे, वेल-मिक्सड MSMPR के लिए मोमेंट-आधारित विधियों के साथ)।

भविष्य के परिप्रेक्ष्य और सीमाएं
यह शोध पत्र विनम्रतापूर्वक स्वीकार करता है कि हालांकि कार्यप्रणाली सिमुलेशन में मजबूत है, वास्तविक औद्योगिक प्रणालियों पर प्रयोगात्मक सत्यापन अभी भी दुर्लभ है। यह कई खुले चुनौतियों की पहचान करता है:

• मॉडल वैधता: सरोगेट मॉडल केवल अपने प्रशिक्षण डोमेन के भीतर इंटरपोलेशन के लिए मान्य हैं; एक्सट्रपलेशन (extrapolation) जोखिम भरा बना रहता है।
• अनिश्चितता मात्रा निर्धारण (Uncertainty Quantification): भविष्य के कार्यों को अनिश्चितता मात्रा निर्धारण (जैसे, बेयसियन विधियां, कॉन्फॉर्मलाइज्ड क्वांटाइल रिग्रेशन) को एकीकृत करना चाहिए ताकि रोबस्ट या स्टोकेस्टिक MPC को सक्षम बनाया जा सके, जिससे कंट्रोलर्स को भविष्यवाणी विश्वसनीयता के लिए गणना करने की अनुमति मिल सके।
• नवीन प्रणालियाँ: इस ढांचे को जटिल नवीन क्रिस्टलाइजर्स (जैसे, स्लग-फ्लो, ऑसिलेटरी बाफल्ड) और फाउलिंग जैसी घटनाओं के अनुकूल बनाने की आवश्यकता है, जिन्हें प्रथम-सिद्धांत से मॉडल करना कठिन है।
• औद्योगिक अपनाना: विनियमित उद्योगों (जैसे फार्मा) में बैच से निरंतर प्रसंस्करण की ओर संक्रमण नियामक बाधाओं के कारण धीमा है, और PID नियंत्रण अभी भी हावी है। लेखक सुझाव देते हैं कि जैसे-जैसे सरोगेट उपकरण परिपक्व होंगे, वे उन्नत नियंत्रण रणनीतियों को अपनाने में सुविधा प्रदान करेंगे।