01 — Кейс · ML Нейросети

«Рецептура»: модели свойств для разработки антикоррозийных грунтов

Пять лабораторий заказчика разрабатывают около 40 рецептур в год, и до лабораторного образца уходило 9 месяцев. Мы построили модели, которые по составу предсказывают вязкость, адгезию, время сушки и стойкость в солевом тумане, и подсказывают следующий эксперимент. В трёх закрытых проектах из шести образец получили за 6 месяцев вместо 9. Три проекта мало для выводов, а ещё три вернулись к обычному процессу.

9 месяцев
Обновлено:
Смотреть кейс
срок проекта
9 месяцев
функциональных модулей
5
этапов разработки
4
ключевых технологий
5
«Рецептура»: модели свойств для разработки антикоррозийных грунтов

02 — Контекст

Задача проекта

Исходная ситуация, ограничения и проблемы, которые должна была решить новая система.

Заказчик ведёт химическое НИОКР в лакокрасочных материалах: пять лабораторий, около 40 рецептур антикоррозийных грунтов в год. До лабораторного образца уходило 9 месяцев и 60–80 лабораторных прогонов.

Понимание того, какие сочетания компонентов работают, держалось на трёх технологах. История экспериментов за 12 лет лежала в бумажных журналах: искать в ней похожие рецептуры было долго, а считать по ней нельзя.

Задача была сократить число прогонов и путь до образца, опираясь на накопленные данные, и при этом оставить решения за технологами.

  1. Долгий путь до образца

    Девять месяцев и десятки прогонов на каждую рецептуру. Каждый прогон стоит сырья и времени лаборатории, а в год таких рецептур около сорока.

  2. Знания у трёх человек

    Что и как подбирать, понимали три технолога. Их опыт оставался в головах и на бумаге, и работа лабораторий зависела от того, свободны ли эти люди.

  3. Двенадцать лет на бумаге

    Журналы экспериментов велись от руки. Чтобы найти похожий опыт, нужно было листать архив, а построить по нему модель было невозможно.

  1. Данные из бумажных журналов

    Журналы за 12 лет внёс в таблицу сам заказчик силами лаборантов и подрядчика по вводу данных, эта работа в объём кейса не входит. Из примерно 240 тысяч записей пригодными для моделей оказались около 85 тысяч. На них и обучены модели свойств.

  2. Суррогатные модели свойств

    Суррогатная модель — быстрая замена эксперимента: по составу рецептуры она предсказывает свойства покрытия без лабораторного прогона. Модели оценивают вязкость, адгезию, время сушки и стойкость в солевом тумане. Технолог видит прогноз до того, как готовить образец.

  3. Подсказка следующего эксперимента

    Байесовская оптимизация выбирает, какую рецептуру проверить следующей. Она учитывает и прогноз свойств, и то, насколько модель в нём уверена: иногда полезнее проверить точку, о которой мало известно.

  4. План с учётом партий сырья

    План экспериментов учитывает партии сырья, из которых готовятся образцы.

  5. Последнее слово за технологом

    Модель предлагает точки, технолог решает, ставить ли их. На практике технологи принимали около 60% предложенных точек, остальные заменяли своими. Опыт специалистов остаётся в работе, а модель сужает круг вариантов, которые стоит проверять.

04 — Архитектура

Технологический стек

Технологии выбраны под нагрузку, интеграции и дальнейшее развитие продукта.

Зачем в проекте · 01 / 05

Python

На нём собраны подготовка данных, модели свойств и подбор экспериментов. Для научных расчётов и машинного обучения у Python самые зрелые библиотеки.

05 — Процесс

Как шла разработка

Последовательность работ от исследования задачи до запуска и проверки результата.

  1. Данные из журналов

    Журналы за 12 лет внёс в таблицу заказчик силами лаборантов и подрядчика по вводу, эта работа в объём кейса не входит. Из примерно 240 тысяч записей пригодными оказались около 85 тысяч.

  2. Модели свойств

    Построили суррогатные модели вязкости, адгезии, времени сушки и стойкости в солевом тумане.

  3. Подбор экспериментов

    Подключили байесовскую оптимизацию: модель предлагает следующую точку, технолог принимает её или заменяет своей. План экспериментов учитывает партии сырья.

  4. Работа в шести проектах

    Подход применили в шести проектах разработки рецептур. Три закрылись лабораторным образцом, три вернулись к обычному процессу. Внедрение до промышленной эксплуатации заняло 9 месяцев.

06 — Итог

Результаты

Что создано в рамках проекта: рабочий контур, реализованные возможности и подтверждённые факты.

до лабораторного образца: 3 проекта из 6, мало для статистики
9 → 6 мес.
лабораторных прогонов в тех же 3 проектах, мало для статистики
61 → 41
проектов закрылись образцом, три вернулись к обычному процессу
3 из 6

В трёх закрытых проектах из шести время до лабораторного образца сократилось с 9 до 6 месяцев, а лабораторных прогонов понадобился 41 вместо 61. Чаще стала попадать в целевые свойства первая подача образца. Сертификацию и ОКР, ещё 5 месяцев, проект не затрагивал.

Выборка — три проекта, статистически это анекдот, а не доказательство. Мы не выдаём эти цифры за ожидаемый результат. Три других проекта не закрылись и вернулись к обычному процессу: они касались систем с новым связующим, по которым исторических данных почти нет.

Узкое место осталось прежним: испытание в солевом тумане длится 720 часов. Модель сокращает число прогонов, но не длительность испытаний. Технологи принимали около 60% точек, предложенных моделью, остальные заменяли своими, так что решение о каждом эксперименте по-прежнему за ними.

FAQ

Вопросы о проекте

Обсудим похожий проект?

Расскажите о задачах вашего бизнеса — предложим архитектуру и оценим сроки