[논문]화학 공정 설계 및 분석을 위한 설명 가능한 인공지능 대안 모델

고유나; 나종걸

doi:10.9713/kcer.2023.61.4.542

화학 공정 설계 및 분석을 위한 설명 가능한 인공지능 대안 모델
Explainable Artificial Intelligence (XAI) Surrogate Models for Chemical Process Design and Analysis 원문보기

Korean chemical engineering research = 화학공학, v.61 no.4, 2023년, pp.542 - 549

고유나 (이화여자대학교 화공신소재공학과) , 나종걸 (이화여자대학교 화공신소재공학과)

초록
AI-Helper

대안 모델링에 대한 관심이 커진 이후 데이터 기반의 기계학습을 이용하여 비선형 화학 공정을 모사하고자 하는 연구가 지속되고 있다. 그러나 기계 학습 모델의 black box 성질로 인하여 모델의 해석 가능성에 한계는 산업 적용에 걸림돌이 되고 있다. 따라서, 모델의 정확도가 보장된 상태에서 해석력을 부여하는 개념인 설명 가능한 인공지능(explainable artificial intelligence, XAI)을 이용하여 화학 공정 분석을 시도하고자 한다. 기존의 화학 공정 민감도 분석이 변수의 민감도 지수를 계산하고 순위를 매기는 데에 그쳤다면, XAI를 이용하여 전역적, 국소적 민감도 분석뿐만 아니라 변수들 간의 상호작용에 대하여 분석하여 데이터로부터 물리적 통찰을 얻어내는 방법론을 제안한다. 사례 연구의 대상공정인 암모니아 합성 공정에 대하여 첫번째 반응기로 향하는 흐름에 대한 예열기(preheater)의 온도, 세 반응기로 향하는 cold-shot의 분배 비율을 공정 변수로 설정하였다. Matlab과 Aspen plus를 연동하여 공정 변수를 바꿔가면서 암모니아의 생산량과 세 반응기의 최고 온도에 대한 데이터를 얻었으며, tree 기반의 모델들을 훈련시켰다. 그리고 성능이 좋은 모델에 대하여 XAI 기법 중 하나인 SHAP 기법을 이용하여 민감도 분석을 수행하였다. 전역적 민감도 분석 결과, 예열기의 온도가 가장 큰 영향을 미쳤으며 국소적 민감도 분석 결과에서 생산성 향상 및 과열 방지를 위한 공정 변수들의 범위를 규정할 수 있었다. 이처럼 화학 공정의 대안 모델을 구축하고 설명 가능한 인공지능을 이용해 민감도 분석을 진행하는 방법론을 통해 공정 최적화에 대한 정량적, 정성적 피드백을 제안하는 데 도움을 줄 것이다.

Abstract ▼ AI-Helper

Since the growing interest in surrogate modeling, there has been continuous research aimed at simulating nonlinear chemical processes using data-driven machine learning. However, the opaque nature of machine learning models, which limits their interpretability, poses a challenge for their practical application in industry. Therefore, this study aims to analyze chemical processes using Explainable Artificial Intelligence (XAI), a concept that improves interpretability while ensuring model accuracy. While conventional sensitivity analysis of chemical processes has been limited to calculating and ranking the sensitivity indices of variables, we propose a methodology that utilizes XAI to not only perform global and local sensitivity analysis, but also examine the interactions among variables to gain physical insights from the data. For the ammonia synthesis process, which is the target process of the case study, we set the temperature of the preheater leading to the first reactor and the split ratio of the cold shot to the three reactors as process variables. By integrating Matlab and Aspen Plus, we obtained data on ammonia production and the maximum temperatures of the three reactors while systematically varying the process variables. We then trained tree-based models and performed sensitivity analysis using the SHAP technique, one of the XAI methods, on the most accurate model. The global sensitivity analysis showed that the preheater temperature had the greatest effect, and the local sensitivity analysis provided insights for defining the ranges of process variables to improve productivity and prevent overheating. By constructing alternative models for chemical processes and using XAI for sensitivity analysis, this work contributes to providing both quantitative and qualitative feedback for process optimization.

주제어

표/그림 (8)

표 Table 1. Lists of research papers of using machine learning based surrogate model
그림 Fig. 1. Flow chart describing the chemical process model analysis using SHAP.
그림 Fig. 2. Process flow diagram of three-bed cold-shot ammonia synthesis process. Red lines mean input variables and blue lines mean output variables.
표 Table 2. Lists of input parameters for ammonia synthesis process
그림 Fig. 4. Results for global sensitivity analysis. (a) bar chart of mean absolute SHAP values for ammonia production rate model. (b) FAST indices or ammonia production rate model. (c) feature importance plot for ammonia production rate model. (d) bar chart of mean absolute SHAP values for maximum temperature of three reactors model. (e) FAST indices for maximum temperature of three reactors model. (f) feature importance plot for maximum temperature of three reactors model.
그림 Fig. 3. Parity plots of the best performance for the (a) ammonia production rate using XGboost regressor and the (b) maximum temperature for three reactors using random forest regressor.
표 Table 3. Training results for tree-based machine learning models
그림 Fig. 5. Results for local sensitivity analysis. (a) mNH3 model feature dependence plot for SHAP interaction values of r₁ with T_in. (b) m_NH3 model feature dependence plot for SHAP interaction values of T_in with r₁. (c) m_NH3 model feature dependence plot for SHAP interaction values of r₂ with r₁. (d) T_out model feature dependence plot for SHAP values of T_in with r₁. (e) T_out model SHAP interaction plot for SHAP interaction values of T_in with r₁. (f) T_out model SHAP interaction plot for SHAP interaction values of T_in with r₂.

참고문헌 (24)

Nentwich, C. and Engell, S., "Application of Surrogate Models？for the Optimization and Design of Chemical Processes," 2016？International Joint Conference on Neural Networks (IJCNN),？IEEE, 1291-1296(2016).
McBride, K. and Sundmacher, K., "Overview of Surrogate？Modeling in Chemical Process Engineering," Chemie Ingenieur？Technik 91(3), 228-239(2019).
Murphy, K. P., Machine Learning: A Probabilistic Perspective,？MIT press(2012).
Chung, W. and Lee, J. H., "Input-output Surrogate Models for？Efficient Economic Evaluation of Amine Scrubbing co2 Capture Processes," Industrial & Engineering Chemistry Research？59, 18951-18964(2020).
Shokry, A., Baraldi, P., Zio, E. and Espuna, A., "Dynamic Surrogate Modeling for Multistep-ahead Prediction of Multivariate？Nonlinear Chemical Processes," Industrial & Engineering Chemistry Research 59, 15634-15655(2020).

상세보기
Gunning, D. and Aha, D., "Darpa's Explainable Artificial Intelligence (xai) Program," AI Magazine 40, 44-58(2019).
Arrieta, A. B., Diaz-Rodriguez, N., Del Ser, J., Bennetot, A.,？Tabik, S., Barbado, A., Garcia, S., Gil-Lopez, S., Molina, D. and？Benjamins, R., "Explainable Artificial Intelligence (xai): Concepts,？Taxonomies, Opportunities and Challenges Toward Responsible？Ai," Information Fusion 58, 82-115(2020).
Dobbelaere, M. R., Plehiers, P. P., Van de Vijver, R., Stevens, C.？V. and Van Geem, K. M., "Machine Learning in Chemical Engineering: Strengths, Weaknesses, Opportunities, and Threats,"？Engineering 7(9), 1201-1211(2021).
Lundberg, S. M. and Lee, S.-I., "A Unified Approach to Interpreting Model Predictions," Advances in Neural Information Processing Systems 30, 4765-4774(2017).
Antwarg, L., Miller, R. M., Shapira, B. and Rokach, L., "Explaining Anomalies Detected by Autoencoders Using Shapley Additive？Explanations," Expert Systems with Applications 186, 115736(2021).

상세보기
Jang, K., Pilario, K. E. S., Lee, N., Moon, I. and Na, J., "Explainable Artificial Intelligence for Fault Diagnosis of Industrial Processes," IEEE Transactions on Industrial Informatics(2023).
Jung, W., Kim, H., Ryu, H. W., Lim, Y. H., Kim, D. H. and Lee,？J., "Process Analysis for the Simultaneous Production of Aromatics and Syngas from Shale Gas and CO2", Energy Conversion and Management 276, 116480(2023).
Chakkingal, A., Janssens, P., Poissonnier, J., Virginie, M., Khodakov, A. Y. and Thybaut, J. W., "Multi-output Machine Learning？Models for Kinetic Data Evaluation: A Fischer-tropsch Synthesis？Case Study," Chemical Engineering Journal 446, 137186(2022).

상세보기
Lundberg, S. M., Erion, G., Chen, H., DeGrave, A., Prutkin, J.？M., Nair, B., Katz, R., Himmelfarb, J., Bansal, N. and Lee, S.-I.,？"From Local Explanations to Global Understanding with Explainable ai for Trees," Nature Machine Intelligence 2(1), 56-57(2020).

상세보기
Borgonovo, E. and Plischke, E., "Sensitivity Analysis: A Review？of Recent Advances," European Journal of Operational Research？248(3), 869-887(2016).
Na, J., Lim, Y. and Han, C., "A Modified Direct Algorithm for？Hidden Constraints in An Lng Process Optimization," Energy？126, 488-500(2017).
Seider, W. D., Lewin, D. R., Seader, J., Widagdo, S., Gani, R.？and Ng, K. M., Product and Process Design Principles: Synthesis,？Analysis, and Evaluation, John Wiley & Sons(2017).
Temkin, M., "Kinetics of Ammonia Synthesis on Promoted Iron？Catalysts," Acta physiochim. URSS 12, 327-356(1940).
Modak, J. M., "Haber Process for Ammonia Synthesis," Resonance 7, 69-77(2002).

상세보기
Breiman, L., Friedman, J., Olshen, R. and Stone, C., "Classification and Regression Trees. Wadsworth Int," Group 37(15),？237-251(1984).
Svetnik, V., Liaw, A., Tong, C., Culberson, J. C., Sheridan, R. P. and？Feuston, B. P., "Random Forest: A Classification and Regression？Tool for Compound Classification and Qsar Modeling," Journal？of Chemical Information and Computer Sciences 43, 1947-1958(2003).

상세보기
Friedman, J. H., "Greedy Function Approximation: A Gradient？Boosting Machine," Annals of Statistics 29(5), 1189-1232(2001).

상세보기
Friedman, J. H., "Greedy Function Approximation: A Gradient？Boosting Machine," Annals of Statistics, 1189(2001).
McRae, G. J., Tilden, J. W. and Seinfeld, J. H., "Global Sensitivity？Analysis-a Computational Implementation of the Fourier Amplitude Sensitivity Test (FAST)," Computers & Chemical Engineering？6, 15-25(1982).？

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증