Ключевые слова
химико-технологическая система
гибридное моделирование
суррогатные модели
ИИ-агенты
Как цитировать
Аннотация
Современная химическая промышленность сталкивается с системными структурными ограничениями, связанными с ростом сложности химико-технологических систем, усилением регуляторного давления, снижением маржинальности и ограничениями традиционных моделей масштабирования и оптимизации. В этих условиях искусственный интеллект (ИИ) и цифровые технологии рассматриваются не как инструменты локального повышения эффективности, а как основа архитектурной трансформации химических производств. Целью настоящего исследования является разработка и теоретическое обоснование концепции ИИ-ориентированного цифрового двойника химико-технологической системы, интегрирующего физико-химическое моделирование, эксплуатационные данные и интеллектуальные методы принятия решений в едином информационно-управляющем контуре. В работе проведён анализ современного состояния исследований в области применения искусственного интеллекта, цифровых двойников и суррогатного моделирования в химической инженерии, выявлены ограничения существующих подходов и показана необходимость их системной архитектурной интеграции. Предложена концептуальная модель цифрового двойника нового поколения, основанная на иерархическом представлении химико-технологических систем, использовании гибридных и суррогатных моделей, а также внедрении агентных архитектур с принципом управляемой автономности и активного участия человека в контуре принятия решений. Рассмотрены функциональные сценарии применения ИИ-ориентированных цифровых двойников, а также ключевые ограничения и риски их промышленного внедрения. Полученные результаты формируют теоретическую основу для дальнейших прикладных исследований и разработки интеллектуальных систем управления химико-технологическими процессами
Библиографические ссылки
Gocke A. et al. Chemical Companies Won't Recover by Doing More of the Same: Value Creation in Chemicals 2025: Report. Boston: Boston Consulting Group (BCG), 2025. 13 p. URL: https://www.bcg.com/publications/2025/chemical-companies-wont-recover-doing-more-same
Rajurkar P. Integrating AI in Air Quality Control Systems in Petrochemical and Chemical Manufacturing Facilities. International Journal of Innovative Research in Science, Engineering and Technology, 2024, vol. 13, issue 10, pp. 17869-17873. DOI: 10.15680/IJIRSET.2024.1310117
Toniato A., Schilter O., Laino T. The Role of AI in Driving the Sustainability of the Chemical Industry. CHIMIA, 2023, vol. 77, no. 3, pp. 144-149. DOI: 10.2533/chimia.2023.144
Meshalkin V. P. Nauchnye metody inzhiniringa energoresursoeffektivnykh intensivnykh khimiko-tekhnologicheskikh sistem v usloviyakh tsifrovoy ekonomiki [Scientific methods of engineering energy-resource-efficient intensive chemical-technological systems in the digital economy]. Izvestiya vysshikh uchebnykh zavedeniy. Khimiya i khimicheskaya tekhnologiya [Proceedings of Higher Educational Institutions. Chemistry and Chemical Technology], 2021, vol. 64, issue 8, pp. 6‑23. (In Russ.) DOI: 10.6060/ivkkt.20216408.6423
Axenix, Issledovatel'skiy tsentr v sfere II MGU im. M. V. Lomonosova. II-agenty v deystvii: ekonomika, riski i evolyutsiya organizatsionnykh modeley: analiticheskiy doklad [AI-agents in action: economics, risks and evolution of organizational models: analytical report]. Ed. by L. Mal'kova. 2025, 21 p. (In Russ.) URL: https://axenix.pro/realizacija-transformacii-v-data-driven-organizaciju
Iskandarova S. A. II-agenty v korporativnom upravlenii: arkhitekturnye resheniya i praktiki vnedreniya [AI-agents in corporate management: architectural solutions and implementation practices]. Vestnik nauki [Science Bulletin], 2025, vol. 1, no. 6(87), pp. 1415-1428. (In Russ.) EDN: ASMMYG
Srinivasan B. et al. Artificial intelligence and machine learning at various stages and scales of process systems engineering. The Canadian Journal of Chemical Engineering, 2025, vol. 103, pp. 1004-1035. DOI: 10.1002/cjce.25525
Baum Z. J. et al. Artificial Intelligence in Chemistry: Current Trends and Future Directions. Journal of Chemical Information and Modeling, 2021, vol. 61, pp. 3197-3212. DOI: 10.1021/acs.jcim.1c00619
Laub J.-F. et al. Automated generation of mechanistic models for chemical process digital twins using reinforcement learning - Part II: Compartmentalization and standardizing expert modeling knowledge in an ontology. Computers & Chemical Engineering, 2026, vol. 204, article 109384. DOI: 10.1016/j.compchemeng.2025.109384
Azangoo M. et al. A Methodology for Generating a Digital Twin for Process Industry: A Case Study of a Fiber Processing Pilot Plant. IEEE Access, 2022, vol. 10, pp. 58787-58810. DOI: 10.1109/ACCESS.2022.3178424
Bamberg A. et al. The Digital Twin - Your Ingenious Companion for Process Engineering and Smart Production. Chemical Engineering & Technology, 2021, vol. 44, no. 6, pp. 954-961. DOI: 10.1002/ceat.202000562
Sierla S. et al. Roadmap to semi-automatic generation of digital twins for brownfield process plants. Journal of Industrial Information Integration, 2022, vol. 27, article 100282. DOI: 10.1016/j.jii.2021.100282
Bárkányi Á. et al. Modelling for Digital Twins-Potential Role of Surrogate Models. Processes, 2021, vol. 9, no. 3, art. 476. DOI: 10.3390/pr9030476
Venkatasubramanian V. The promise of artificial intelligence in chemical engineering: Is it here, finally? AIChE Journal, 2019, vol. 65, no. 2, pp. 466-478. DOI: 10.1002/aic.16489
Lowe M., Qin R., Mao X. A Review on Machine Learning, Artificial Intelligence, and Smart Technology in Water Treatment and Monitoring. Water, 2022, vol. 14, no. 9, article 1384. DOI: 10.3390/w14091384
Örs E. et al. A Conceptual Framework for AI-based Operational Digital Twin in Chemical Process Engineering. Proceedings of the 2020 IEEE International Conference on Engineering, Technology and Innovation (ICE/ITMC). Valbonne Sophia-Antipolis, France, 2020, pp. 1-8.
Li Y. et al. A high-accuracy deep learning framework for digital twin model development of actual chemical processes. Engineering Applications of Artificial Intelligence, 2025, vol. 159, article 111780. DOI: 10.1016/j.engappai.2025.111780
Liu J. et al. Application of Deep Neural Network Technology for Multi-scale CFD Modeling in Porous Media. Chemical Engineering & Technology, 2024, vol. 47, no. 12, article 202200564. DOI: 10.1002/ceat.202200564
Tai X. Y. et al. The future of sustainable chemistry and process: Convergence of artificial intelligence, data and hardware. Energy and AI, 2020, vol. 2, art. 100036. DOI: 10.1016/j.egyai.2020.100036
Khatri N., Khatri K. K. Artificial Intelligence for Modeling and Optimization of the Biogas Production. В кн.: Artificial Intelligence for Renewable Energy Systems. Hoboken: Scrivener Publishing LLC, 2022, pp. 93-114. DOI: 10.1002/9781119761686.ch4
Molina Menéndez E., Parraga-Alava J. Artificial Neural Networks for Classification Tasks: A Systematic Literature Review. Enfoque UTE, 2024, vol. 15, no. 4, pp. 1-10. DOI: 10.29019/enfoqueute.1058
Elahi M. et al. A Comprehensive Literature Review of the Applications of AI Techniques through the Lifecycle of Industrial Equipment. Discover Artificial Intelligence, 2023, vol. 3, article 43. DOI: 10.1007/s44163-023-00089-x
Wijaya S. et al. Artificial Intelligence and Internet of Things in Manufacturing Decision Processes. IAES International Journal of Artificial Intelligence, 2024, vol. 13, no. 2, pp. 2185-2200. DOI: 10.11591/ijai.v13.i2.pp2185-2200
Sedlyarov O. I. et al. Tsifrovaya transformatsiya issledovatel'skoy, proektnoy i proizvodstvennoy deyatel'nosti v khimicheskikh tekhnologiyakh [Digital transformation of research, design and production activities in chemical technologies]. Industrial Processes and Technologies, 2024, vol. 4, no. 1(11), pp. 86-98. (In Russ.) DOI: 10.37816/2713-0789-2024-4-1(11)-86-98
Olowomeye E. Optimizing Industrial Processes Through Advanced Process Control and Real-Time Data Integration Systems. International Journal of Research Publication and Reviews, 2025, vol. 6, no. 1, pp. 4604-4618. DOI: 10.55248/gengpi.6.0125.0633
Arvizu-Montes A. et al. Integrating Life-Cycle Assessment (LCA) and Artificial Neural Networks (ANNs) for Optimizing the Inclusion of Supplementary Cementitious Materials (SCMs) in Eco-Friendly Cementitious Composites: A Literature Review. Materials, 2025, vol. 18, article 4307. DOI: 10.3390/ma18184307
Perno M., Hvam L., Haug A. A Machine Learning Digital Twin Approach for Critical Process Parameter Prediction in a Catalyst Manufacturing Line. Computers in Industry, 2023, vol. 151, article 103987. DOI: 10.1016/j.compind.2023.103987
Mukhamediev R. I. et al. Review of Artificial Intelligence and Machine Learning Technologies: Classification, Restrictions, Opportunities and Challenges. Mathematics, 2022, vol. 10, article 2552. DOI: 10.3390/math10152552
Layer M. et al. Data Management of Process Plants as Complex Systems: Systematic Literature Review and Identification of Challenges and Opportunities. Reviews in Chemical Engineering, 2024, vol. 40, no. 3, pp. 329-349. DOI: 10.1515/revce-2022-0077
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Copyright (c) 2025 Industrial processes and technologies