Об эксперте: Владимир Бушков — директор по развитию и инжинирингу новых технологий СИБУРа. Более 15 лет работает в сфере инноваций, прикладных исследований и разработки новых материалов для нефтехимической отрасли. Руководит развитием и внедрением перспективных технологий, а также реализацией исследовательских и технологических проектов компании. Член научно-технологического совета Российского научного фонда.
Любые разработки исторически опираются на эксперимент: гипотеза — серия испытаний — корректировка — новая серия. Подобная цепочка требует времени и ресурсов. Если рассматривать процесс разработки нового материала или нового продукта малотоннажной химии, необходимого для производства полимера, или новой технологии, то рецептура полимера включает десятки переменных, а итоговые свойства зависят от их сочетания. Но к 2026 году значительная часть этой работы переносится в цифровую среду.
От эмпирики к управляемому проектированию
Модели машинного обучения позволяют оценивать свойства материала до начала синтеза (процесса получения нового вещества путем объединения более простых компонентов или изменения структуры уже существующих). Решения принимаются на основе накопленных экспериментальных данных, параметров технологических режимов и массивов информации, формирующихся по всей производственной цепи и до тестирования готовых изделий.
В научном центре «СИБУР Инновации» инструменты ИИ применяются для обработки экспериментальных данных. По отдельным направлениям это позволило ускорить аналитические испытания в 7 раз.
Внедрена система искусственного интеллекта SIAMS для распознавания и классификации объектов на изображениях микроскопии, чтобы автоматизировать анализ изображений, полученных с помощью оптических и электронных микроскопов. Такая система позволяет решать задачи поиска и сегментации объектов на изображении для последующего количественного анализа.
При анализе структуры материалов алгоритмы распознают объекты на микроскопических изображениях и проводят количественную оценку параметров за секунды. Сопоставление с ручной обработкой показывает совпадение более чем на 85% по ключевым показателям.
В настоящее время эта модель ИИ применяется при исследовании функциональных наполнителей полимерных материалов, катализаторов для производства полимеров, а также для контроля качества сырья и продукции.
При этом ИИ может применяться не только для подбора рецептуры полимера, но и для решения задачи «структура/состав катализатора — свойства базового полимера» в прямую и обратную стороны. Алгоритмы анализируют взаимосвязи между составом, структурой и характеристиками веществ, позволяя, с одной стороны, по заданному набору свойств определять возможную структуру катализатора, способную их обеспечить, а с другой — прогнозировать свойства полимера при использовании катализатора с заданной структурой или составом, сокращая объем трудоемких лабораторных испытаний.
Вместо перебора сотен комбинаций исследователь получает ограниченный набор наиболее перспективных решений. Практика показывает, что за счет такого предварительного отбора цикл разработки может сокращаться в 1,5−2 раза, благодаря уменьшению числа физических испытаний.
Из-за перемен в устройстве научной системы у химиков появляются новые задачи и функции. Роль человека в производстве переходит от последовательной проверки гипотез к управлению пространством возможных решений. Задача же искусственного интеллекта не создать готовый материал — а быстрее определить, где есть смысл работать и пробовать.
Отдельный этап — формирование самого поля для исследований. Современные цифровые инструменты позволяют анализировать массивы мировых патентов, научных публикаций, новостей и нормативной документации. Большие языковые модели структурируют знания, выявляют технологические тренды и помогают находить незанятые ниши.
Цифровые двойники производств
Когда рецептура получены, начинается этап масштабирования технологии: от лаборатории на промышленные мощности. Сначала она проходит испытания на лабораторных стендах, затем на пилотных установках и далее уже внедряется в производство. Разница в масштабах обычно составляет 20−30 раз, но может достигать 180 раз — как в случае с масштабированием технологии получения гексена — специального компонента, незаменимого для выпуска премиальных марок полиэтилена.
Нефтехимическое производство — это непрерывные процессы, чувствительные к изменениям технологических режимов (температуры, давления, расходов, составов потоков). Технологические модели действующих производств позволяют моделировать такие изменения без риска для промышленной установки. Виртуальная модель просчитывает сценарии и помогает выбрать оптимальный режим, а в ряде случаев — при наличии связки с СУУТП (APC) или системами RTO (real-time optimiser) — автоматически корректирует параметры
Более продвинутый уровень — модели тройного подобия, которые учитывают не только химию, но и термо- и гидродинамику процессов. По сути, это возможность «заглянуть внутрь» реактора и понять, как в нем распределяются потоки вещества и энергии.
Развитие этих решений требует соответствующей инфраструктуры, программного обеспечения, а также привлечения специалистов с новыми компетенциями в области анализа данных, архитектуры цифровых систем, разработки интерфейсов.
Управление свойствами материалов и продукции
Цифровые технологии позволяют выстраивать прогнозные зависимости между составом материала, параметрами переработки и конечными свойствами продукции.
Фактически речь идет о переходе к управлению характеристиками продукта на всем жизненном цикле — от разработки до применения. Это открывает возможность точнее настраивать свойства материалов под конкретные задачи.
Дополнительно развиваются решения по прослеживаемости продукции и защите от контрафакта — с использованием специальных маркеров и цифровых инструментов контроля.
Системная работа вместо точечных решений
Формирование промышленной ИИ-экосистемы в России находится на стадии активного развития. Среди ключевых задач — развитие собственных цифровых решений, подготовка специалистов на стыке химии и анализа данных, интеграция алгоритмов в действующие технологические цепочки.
Ключевую роль играет работа с данными: стандартизация лабораторных протоколов, накопление корректных исторических массивов и их интеграция в единые модели.
С внедрением новых технологий ученый-химик все чаще работает не с единичной гипотезой, а с набором вариантов, управляя их отбором вместе с алгоритмом. ИИ берет на себя вычислительную нагрузку и рутинный анализ, человек — постановку задачи и интерпретацию результата. Искусственный интеллект позволяет сосредоточиться на том, что по-прежнему остается зоной человеческой ответственности: понимании процессов и принятии решений.
Источник: hi-tech.mail.ru