Tecnologia transformers per l’Identificazione della dinamica di processi industriali = Transformer technology for identifying the dynamics of industrial processes

Con l’avvento della rivoluzione 4.0 e l’integrazione di strumenti avanzati di machine learning nell’industria di processo, emerge la necessità di modelli predittivi capaci di rappresentare accuratamente la dinamica di sistemi complessi e non lineari. Obiettivo di questa Tesi è stato valutare l’efficacia delle architetture transformer nell’identificazione e previsione della dinamica di due processi chimici di rilievo industriale: •??una colonna di separazione propano–propilene (C3 splitter); •??un forno di steam cracking dell’etano. Il lavoro si è posto come confronto diretto con il modello commerciale Honeywell PSES, basato su un approccio lineare FIR, per verificare la maggiore adattabilità dei modelli transformer applicati a scenari complessi e con dinamiche non-lineari. Per il primo caso studio (C3 splitter), sono stati generati 20.000 dati di sintesi tramite simulazione con simulatore commerciale, organizzati in step test per stimolare la risposta dinamica. Le variabili manipolate sono state il calore fornito al ribollitore e il rapporto di riflusso in testa alla colonna. Nel secondo caso studio (forno di etano), l’analisi è stata condotta sia su dati reali d’impianto (caratterizzati però da scarsa variabilità) sia su dati di sintesi ottenuti con un modello basato su bilanci di materia. Le variabili manipolate considerate sono state l’alimentazione (feed), la temperatura di uscita (COT) e la pressione di uscita (COP). L’architettura transformers implementata è di tipo encoder–decoder, con ottimizzazione dei parametri quali la lunghezza della finestra temporale di input, i passi futuri. Il test è stato eseguito in modalità teacher forcing e autoregressiva. C3 splitter: il modello transformer ha mostrato un’elevata accuratezza (R² ≈ 0.94), presentando prestazioni superiori al modello Honeywell (R² ≈ 0.52). Si è osservata la capacità del transformer di adattarsi a differenti condizioni operative, con performance robuste anche su dataset casuali. La scarsa variabilità dei dati reali relativi al secondo caso ha limitato il confronto tra modelli, rendendo difficile evidenziare vantaggi di uno sull’altro. Con dati di sintesi, caratterizzati da una variabilità maggiore, invece, il transformer ha raggiunto valori di R² superiori a 0.95, confermando la sua capacità di catturare dinamiche complesse, anche con range operativi ampi. In particolare, si è dimostrato in grado di prevedere correttamente variazioni di segno del guadagno sia per la COT che per la COP. Dal confronto con il modello commerciale Honeywell, i transformer hanno fornito prestazioni migliori, specialmente nei tratti non lineari e nei punti di variazione rapida. L’architettura transformer si è rivelata una soluzione promettente per l’identificazione e la previsione della dinamica di processi industriali complessi, mostrando vantaggi rispetto ai modelli lineari tradizionali. La capacità di adattarsi a comportamenti non lineari e di operare efficacemente anche in modalità autoregressiva ne fa un candidato adatto per future applicazioni in controllo predittivo e ottimizzazione dei processi.