Real-time control of multiphase processes with learned operators

Dit artikel presenteert een surrogate-gestuurde modelvoorspellende regeling (MPC) met Fourier-neurale operatoren om multiphase-processen, zoals een bubbelkolom, in real-time te optimaliseren door de hoge rekentijd van traditionele numerieke modellen te omzeilen.

De kern

Titel: De Slimme Regisseur voor een Bubbelshow

Stel je voor dat je een enorme, glazen fles hebt die vol zit met water en waar je van onderaf lucht in blaast. Dit is een belkolomreactor (zoals in de chemische industrie). Het doel is om de luchtbelletjes zo te laten dansen dat ze goed mengen met het water, bijvoorbeeld om een drankje te maken of chemische stoffen te produceren.

Het probleem? De luchtbelletjes zijn onvoorspelbaar. Ze knappen, ze samenvoegen, ze vormen grote plukken en ze bewegen razendsnel. Het is als proberen de vorm van een wolk te voorspellen terwijl je er met een slang tegenaan blaast. Als je de luchtstroom niet perfect regelt, kan het water overlopen of juist te laag staan, wat de hele productie stopt.

Het Probleem: Te traag om te reageren

Normaal gesproken gebruiken ingenieurs superkrachtige computers om te simuleren hoe de belletjes zich gedragen. Maar deze simulaties zijn zo zwaar en tijdrovend dat ze niet snel genoeg zijn om terecht te reageren. Het is alsof je probeert een auto te sturen door eerst een uur lang te rekenen welke kant je moet sturen; tegen die tijd heb je al een boom geraakt.

Ook zijn de sensoren in de fabriek vaak niet snel genoeg of kunnen ze niet overal kijken. Ze zien misschien alleen een klein stukje van de belkolom, maar niet de hele "wolk" van belletjes.

De Oplossing: Een "Slimme Voorspeller" (De FNO)

De auteurs van dit paper, Paolo en Didier, hebben een slimme oplossing bedacht. In plaats van de zware simulaties elke seconde opnieuw te draaien, hebben ze een kunstmatige intelligentie getraind die het gedrag van de belletjes leert voorspellen.

Ze noemen dit een Fourier Neural Operator (FNO).

• De Analogie: Stel je voor dat je een kind hebt dat 10.000 uur lang heeft gekeken naar hoe luchtbelletjes zich gedragen in water. Dit kind heeft geen fysieke wetten nodig om te weten wat er gebeurt; het heeft gewoon een "gevoel" ontwikkeld. Als je tegen dit kind zegt: "Ik blaas nu harder", kan het kind direct zeggen: "Dan gaan de belletjes hier omhoog en daar een beetje naar links."
• Dit "kind" (de AI) is extreem snel. Het kan in een fractie van een seconde voorspellen hoe de hele belkolom eruit zal zien over de komende paar seconden.

De Regisseur: MPC (Model Predictive Control)

Nu hebben we een snelle voorspeller, maar wie bepaalt wat er moet gebeuren? Dat doet de Model Predictive Control (MPC).

• De Analogie: De MPC is als een slimme regisseur op een filmset. De regisseur kijkt naar het script (de gewenste waterstand) en vraagt de "voorspeller" (het kind): "Wat gebeurt er als ik de luchtstroom nu iets verhoog?"
  • Als de voorspeller zegt: "Dan wordt het water te hoog", probeert de regisseur een andere instelling.
  • Hij doet dit heel snel, duizenden keren per seconde, om de perfecte instelling te vinden die de waterstand precies op het juiste niveau houdt, zonder dat het water overloopt of te laag wordt.

Waarom is dit zo speciaal?

1. Snelheid: Omdat de AI zo snel is, kan de regisseur echt in real-time beslissingen nemen. De computer doet dit in milliseconden, terwijl een normale simulatie minuten zou duren.
2. Niet alleen een getal: De meeste systemen kijken alleen naar één getal (bijvoorbeeld: "Het water is 50 cm hoog"). Dit systeem kijkt naar de hele afbeelding van de belletjes. Het ziet waar de grote plukken zitten en hoe ze bewegen. Dit maakt het veel slimmer en robuuster.
3. De "Gok" (Baysean Optimalisatie): Omdat het bepalen van de waterstand uit de belletjes soms lastig is (het is niet altijd een gladde lijn), gebruiken ze een slimme goktechniek. Het is alsof je een blindeman bent die probeert de top van een heuvel te vinden door een paar stappen te zetten, te kijken of het hoger is, en dan de beste richting te kiezen zonder de hele berg te hoeven beklimmen.

Het Resultaat

In hun proef hebben ze laten zien dat dit systeem perfect werkt. Ze veranderden de gewenste waterstand (het "setpoint") een paar keer. Het systeem reageerde direct, paste de luchtstroom aan en hield de waterstand stabiel, zelfs als de belletjes wild gingen dansen.

Kort samengevat:
Ze hebben een systeem gebouwd dat een complexe, chaotische bubbelshow in een fabriek regelt. In plaats van zware berekeningen te doen, gebruiken ze een getrainde AI die als een ervaren regisseur fungeert: hij kijkt naar het hele plaatje, voorspelt de toekomst in een flits en past de luchtstroom direct aan om alles perfect in balans te houden. Dit maakt het mogelijk om industriële processen die voorheen te snel of te chaotisch waren voor controle, nu veilig en efficiënt te laten draaien.

Technische samenvatting

Titel: Real-time besturing van meerfasige processen met geleerde operatoren

Auteurs: Paolo Guida en Didier Barradas-Bautista (King Abdullah University of Science and Technology, Saudi-Arabië)
Datum: 27 maart 2026

---

1. Probleemstelling

Meerfasige stromingen (bijv. gas-vloeistof interacties) komen veel voor in de industrie, van extractieapparatuur tot bio-reactoren en additieve productie. Het besturen van deze systemen is extreem uitdagend vanwege:

• Sterk niet-lineaire dynamica: Snelle fase-overgangen en complexe interfaciale fysica.
• Beperkte sensorresolutie: Beschikbare sensoren hebben vaak onvoldoende ruimtelijke en tijdsresolutie om de volledige domein-evolutie nauwkeurig te meten.
• Berekeningskosten: Hoogwaardige Computational Fluid Dynamics (CFD) simulaties zijn te duur voor real-time toepassing in besturingsalgoritmen. Traditionele Model Predictive Control (MPC) vereist echter frequente "rollouts" (voorspellingen) over een tijdsvenster, wat met CFD onpraktisch maakt.
• Passieve besturing: Veel bestaande strategieën zijn passief of gebaseerd op vereenvoudigde modellen die niet goed presteren bij grote variabiliteit in de toevoer.

Het doel is een framework te ontwikkelen dat Model Predictive Control (MPC) mogelijk maakt voor snelle meerfasige processen, zonder de zware computelast van CFD te hoeven dragen tijdens de besturing.

2. Methodologie

De auteurs stellen een Surrogate-assisted Model Predictive Control (NMPC) framework voor dat gebruikmaakt van Fourier Neural Operators (FNO).

• Neurale Operator (FNO): In plaats van een traditioneel surrogate-model dat een mapping leert van eindige vectoren naar vectoren ($R^n \to R^m$), leert een neurale operator een mapping tussen oneindige functieruimtes ($G: A \to U$). De FNO is specifiek gekozen omdat deze globale interacties in het spectrale domein (Fourier-ruimte) efficiënt kan modelleren, wat ideaal is voor PDE-systemen zoals de Navier-Stokes vergelijkingen.
• Voorspellingsmechanisme: De FNO wordt getraind om de ruimtelijk-tijdsevolutie van een fase-indicatorveld (in dit geval het volumefractie $\alpha$) te voorspellen over een eindig tijdsvenster. De invoer bestaat uit:
  • Een korte geschiedenis van recente toestanden (volumefractievelden).
  • Een kandidaat-besturingssignaal (inlaatgasstroomsnelheid).
  • Ruimtelijke coördinaten.
• Besturingslus (MPC):
  1. Op elk tijdstap $k$ wordt een reeks toekomstige besturingen $\bar{u}_k$ geoptimaliseerd.
  2. De FNO voorspelt de toekomstige velden $\hat{\alpha}$ voor deze besturingen.
  3. Een functionaal $\ell(\cdot)$ zet het voorspelde veld om naar een waarneembare grootheid (in dit geval de vloeistofhoogte).
  4. Een kostenfunctie (tracking error + straffing voor grote besturingswijzigingen) wordt geminimaliseerd.
• Optimalisatie-algoritme: Omdat de relatie tussen de besturing en de vloeistofhoogte (verkregen via een drempelwaarde-operatie op het volumefractie) niet-convex en niet-glad is, kunnen gradient-based methoden niet direct worden gebruikt. De auteurs gebruiken daarom Bayesian Optimization (BO) om de optimale inlaatvelocity te vinden met een minimaal aantal evaluaties van het surrogate-model.
• Trainingsdata: Data is gegenereerd met de OpenFOAM solver twoPhaseEulerFoam (Euler-Euler tweefasenformulering) voor een bellenkolomreactor.

3. Belangrijkste Bijdragen

• Integratie van FNO in MPC: Het is de eerste toepassing die een Fourier Neural Operator succesvol koppelt aan een MPC-framework voor de real-time regeling van een complexe meerfasige stroming.
• Veld-niveau voorspelling: In plaats van alleen een scalair resultaat (zoals druk of hoogte) te voorspellen, leert het model het volledige ruimtelijke veld (volumefractie). Dit behoudt de ruimtelijke structuur die nodig is voor nauwkeurige fysica, terwijl het toch snel genoeg is voor real-time gebruik.
• Efficiënte optimalisatie: Het combineren van een snelle FNO met Bayesian Optimization maakt het mogelijk om de niet-gladde kostenfunctie te minimaliseren zonder de "curse of dimensionality" te ervaren, aangezien de besturingsvariabele in dit geval scalair is.
• Open Source: De code is beschikbaar gesteld, wat reproduceerbaarheid bevordert.

4. Resultaten

Het framework is getest op een bellenkolomreactor waarbij de vloeistofhoogte wordt geregeld door de inlaatgasstroomsnelheid aan te passen.

• Voorspellingsnauwkeurigheid: De getrainde FNO kan de globale interface-dynamica en grote structuren betrouwbaar voorspellen over een horizon van 5 stappen. Er is enige onder-resolutie van fijne schaalstructuren binnen de vloeistoffase, maar dit beïnvloedt de besturingsprestaties niet significant.
• Besturingsprestaties:
  • De controller volgt stuksgewijs constante setpoints (vloeistofhoogte) consistent.
  • Transiënten bij het wisselen van setpoints zijn kort en gedempt; er treden geen aanhoudende oscillaties op.
  • De controller werkt stabiel binnen de fysieke grenzen van de inlaatvelocity.
• Berekeningskosten:
  • De inferentie-tijd van de FNO is extreem laag: 0,041 – 0,051 ms per sample (ongeveer 20.000 - 24.500 samples per seconde) op een NVIDIA Quadro GV100 GPU.
  • Dit is meerdere ordes van grootte sneller dan een CFD-solver, waardoor real-time MPC haalbaar wordt.
• Steady-state: Er treden kleine steady-state afwijkingen op bij de uiterste setpoints (0,5 en 0,9), wat te wijten is aan de begrenzing van de besturing, maar de controller blijft robuust.

5. Betekenis en Toekomstperspectief

Dit werk toont aan dat geleerde operatoren een praktische route bieden naar real-time besturing van complexe, snelle meerfasige processen die eerder te moeilijk waren om te controleren vanwege de rekenkosten.

• Schaalbaarheid: De methode is niet beperkt tot scalair toezicht; door het volledige veld te voorspellen, kan het framework in de toekomst worden uitgebreid voor de besturing van complexe distributies (bijv. gasverdeling in een katalysatorbed).
• Toekomstige uitbreidingen: De auteurs wijzen op mogelijkheden voor:
  • Gedeeltelijke waarneembaarheid: Werken met lokale sensorgegevens in plaats van het volledige veld.
  • Physics-Informed Operator Learning: Het integreren van fysica-wetenschappen in het leerproces voor betere generalisatie.
  • Gradient-based optimalisatie: Hoewel in dit werk Bayesian Optimization werd gebruikt vanwege de niet-gladde kostenfunctie, is de FNO zelf differentieerbaar, wat in de toekomst gradient-based MPC zou kunnen mogelijk maken.

Samenvattend biedt dit onderzoek een fundament voor de volgende generatie industriële besturingssystemen die complexiteit en snelheid aankunnen door de synergie tussen data-gedreven operator learning en modelgebaseerde besturing.