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

Sintesi Tecnica: Una Panoramica Tutorial del Controllo Predittivo Basato su Modello per la Cristallizzazione Continua

Definizione del Problema
I processi di cristallizzazione continua sono sempre più riconosciuti per la loro capacità di ridurre la variabilità tra i lotti e i costi operativi, in particolare nel settore farmaceutico. Tuttavia, l'implementazione di strategie di controllo avanzate come il Controllo Predittivo Basato su Modello (MPC) rimane una sfida. Un controllo efficace richiede una modellazione accurata sia della fase continua (concentrazione, temperatura) che della fase particolata (distribuzione delle dimensioni delle particelle, PSD).
La difficoltà principale risiede nella complessità computazionale derivante dalla combinazione di modelli di cristallizzatori spazialmente distribuiti (ad es. flusso a pistone, flusso a slug) con dettagliate Equazioni di Bilancio di Popolazione (PBE) che tracciano l'intera PSD. Queste combinazioni generano spesso equazioni alle derivate parziali (PDE) complesse e computazionalmente intrattabili per l'ottimizzazione in tempo reale. Sebbene i metodi basati sui momenti (che tracciano i momenti statistici invece dell'intera distribuzione) offrano semplicità computazionale, essi non riescono a catturare l'intera forma della PSD, elemento critico per la qualità del prodotto. Inoltre, la letteratura esistente spesso affronta questi argomenti in modo isolato (ad es. metodi di soluzione PBE, controllo di sistemi ben miscelati o applicazioni generali di machine learning), ma manca di un quadro completo che integri modelli spazialmente distribuiti, risoluzione completa della PSD e MPC in tempo reale.

Metodologia
Questo articolo fornisce una panoramica tutorial e una tabella di marcia pratica per l'implementazione dell'MPC nella cristallizzazione continua, colmando il divario tra modelli ad alta fedeltà basati sui primi principi e il controllo in tempo reale. Il flusso di lavoro è strutturato in tre fasi principali:

1. Modellazione ad Alta Fedeltà:

   • Metodi di Soluzione PBE: Gli autori esaminano e confrontano cinque metodi numerici per risolvere la PBE: Metodo Standard dei Momenti (SMOM), Metodo dei Momenti di Quadratura (QMOM), Equazione di Bilancio di Popolazione Discretizzata (DPBE), Collocazione Ortogonale su Elementi Finiti (OCFE) e simulazioni Monte Carlo (MC). Dimostrano che, sebbene i metodi basati sui momenti siano efficienti, non possono risolvere l'intera PSD. Per la risoluzione completa, DPBE e OCFE sono preferibili, con DPBE che offre un compromesso robusto tra stabilità e accuratezza, specialmente quando si utilizzano griglie geometriche per sistemi dominati dall'agglomerazione.
   • Concetti di Cristallizzatore: Il tutorial dettaglia la modellazione di tre sistemi distinti: un cristallizzatore MSMPR (Mixed Suspension Mixed Product Removal) a singolo stadio, una cascata di due MSMPR e un cristallizzatore tubolare (a flusso a pistone). Questi modelli accoppiano la PBE con i bilanci di massa ed energia per la fase continua.

2. Sviluppo del Modello Surrogato:

   • Per consentire l'ottimizzazione in tempo reale, i modelli complessi basati sui primi principi vengono approssimati utilizzando modelli surrogati basati sui dati.
   • Vengono valutate tre tecniche di modellazione surrogata: Identificazione di Sottospazio (lineare), modelli Non-lineari Autoregressivi con ingressi Esogeni (NARX) tramite reti neurali e Reti Neurali Ricorrenti (RNN).
   • Lo studio enfatizza la riduzione della complessità del modello prevedendo solo le misurazioni rilevanti per il controllo (ad es. diametro medio $L_{43}$ o mediana $d_{50}$) piuttosto che l'intero vettore di stato. I modelli NARX, che codificano esplicitamente la storia temporale nell'input, hanno dimostrato una precisione di previsione superiore rispetto alle RNN e ai modelli lineari di sottospazio per i sistemi di cristallizzazione non lineari testati.

3. Implementazione del Controllo Predittivo Basato su Modello (MPC):

   • Gli algoritmi surrogati sviluppati sono integrati in un framework MPC utilizzando i toolbox do-mpc e CasADi.
   • L'obiettivo del controllo consiste nel seguire metriche specifiche delle dimensioni delle particelle (ad es. $L_{43}$ o $d_{50}$) massimizzando al contempo la portata di alimentazione (resa) e rispettando i vincoli sulla sovrasaturazione o sulla temperatura.
   • Per evitare che l'ottimizzatore sfrutti le imprecisioni del modello surrogato (sfruttamento del modello o model exploitation), gli autori raccomandano di penalizzare le variazioni di input e di calibrare attentamente i pesi della funzione di costo.

Contributi Chiave e Risultati
L'articolo presenta due casi di studio primari per validare il flusso di lavoro:

• Caso 1: Cristallizzatore MSMPR a due stadi: Questo sistema funge da benchmark dove un modello basato sui primi principi è computazionalmente fattibile per l'MPC. I risultati mostrano che un controllore MPC che utilizza un modello surrogato basato su NARX raggiunge prestazioni quasi identiche a quelle del controllore che utilizza il modello basato sui primi principi. Il controllore basato sul surrogato segue con successo il setpoint del diametro medio e massimizza la portata di alimentazione, con solo un marginale aumento del costo in loop chiuso e violazioni dei vincoli trascurabili.
• Caso 2: Cristallizzatore Tubolare: Questo sistema rappresenta un processo complesso e spazialmente distribuito in cui l'uso diretto del modello basato sui primi principi nell'MPC è computazionalmente intrattabile. L'MPC basato sul modello surrogato controlla con successo la dimensione mediana delle particelle ($d_{50}$) e gestisce i vincoli di temperatura. Lo studio evidenzia che, sebbene il sistema tubolare sia fisicamente più complesso, l'approssimazione tramite rete neurale elimina il collo di bottiglia della discretizzazione, rendendo risolvibile il problema del controllo. Curiosamente, il tempo computazionale per il caso MSMPR è stato superiore a quello del caso tubolare nel solver MPC, a causa delle specifiche strutture dei vincoli e della necessità di prevedere le uscite di più stadi.

Significatività e Rivendicazioni
Gli autori affermano che questo tutorial colma una lacuna critica nella letteratura fornendo un flusso di lavoro completo e pratico per l'applicazione dell'MPC a cristallizzatori spazialmente distribuiti con risoluzione completa della PSD.

• Fattibilità: Il documento dimostra che è ora computazionalmente fattibile sviluppare schemi MPC che incorporino sia modelli dettagliati di PSD che dinamiche di cristallizzatori spazialmente distribuiti, una combinazione precedentemente considerata troppo complessa per l'ottimizzazione in tempo reale.
• Tabella di Marcia Pratica: Fornendo codice open-source ed esempi interattivi, il lavoro abbassa la barriera all'ingresso per gli ingegneri di processo e i ricercatori di controllo, favorendo la collaborazione tra la comunità del controllo avanzato dei processi e quella della cristallizzazione.
• Guida Strategica: Il lavoro offre un quadro decisionale (tramite un albero decisionale) che guida i professionisti su quando i modelli surrogati sono necessari (ad es. per sistemi tubolari o per il tracciamento della PSD completa) rispetto a quando sono sufficienti modelli semplificati basati sui primi principi (ad es. MSMPR ben miscelato con metodi basati sui momenti).

Prospettive Future e Limitazioni
Il documento riconosce con modestia che, sebbene la metodologia sia robusta in simulazione, la validazione sperimentale su sistemi industriali reali rimane scarsa. Identifica diverse sfide aperte:

• Validità del Modello: I modelli surrogati sono validi solo per l'interpolazione all'interno del loro dominio di addestramento; l'estrapolazione rimane rischiosa.
• Quantificazione dell'Incertezza: Il lavoro futuro dovrebbe integrare la quantificazione dell'incertezza (ad es. metodi Bayesiani, regressione quantile confidenzializzata) per consentire un MPC robusto o stocastico, permettendo ai controllori di tenere conto dell'affidabilità della previsione.
• Sistemi Innovativi: Il framework deve essere adattato per nuovi cristallizzatori complessi (ad es. flusso a slug, oscillanti a bacino) e fenomeni come l'incrostazione (fouling), che sono difficili da modellare dai primi principi.
• Adozione Industriale: La transizione dai processi batch a quelli continui in settori regolamentati (come il farmaceutico) è rallentata dagli ostacoli normativi, e il controllo PID è ancora dominante. Gli autori suggeriscono che, man mano che gli strumenti surrogati matureranno, faciliteranno l'adozione di strategie di controllo avanzate.