WO2022163035A1 - ポリエステル生産システム、ポリエステル生産方法、及びプログラム - Google Patents

ポリエステル生産システム、ポリエステル生産方法、及びプログラム Download PDF

Info

Publication number
WO2022163035A1
WO2022163035A1 PCT/JP2021/038463 JP2021038463W WO2022163035A1 WO 2022163035 A1 WO2022163035 A1 WO 2022163035A1 JP 2021038463 W JP2021038463 W JP 2021038463W WO 2022163035 A1 WO2022163035 A1 WO 2022163035A1
Authority
WO
WIPO (PCT)
Prior art keywords
reaction
molecular weight
information
polyester production
production system
Prior art date
Application number
PCT/JP2021/038463
Other languages
English (en)
French (fr)
Inventor
文貴 加茂
義文 柳田
真樹 福田
Original Assignee
株式会社カネカ
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社カネカ filed Critical 株式会社カネカ
Publication of WO2022163035A1 publication Critical patent/WO2022163035A1/ja

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
    • C08G—MACROMOLECULAR COMPOUNDS OBTAINED OTHERWISE THAN BY REACTIONS ONLY INVOLVING UNSATURATED CARBON-TO-CARBON BONDS
    • C08G63/00—Macromolecular compounds obtained by reactions forming a carboxylic ester link in the main chain of the macromolecule
    • C08G63/78—Preparation processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to a polyester production system, a polyester production method, and a program.
  • This application claims priority based on Japanese Patent Application No. 2021-010016 filed in Japan on January 26, 2021, the contents of which are incorporated herein.
  • Patent Document 1 presents a production method by hydrolyzing a high-molecular-weight biodegradable polyester in high-temperature, high-pressure water in a molten state, thereby depolymerizing a polyester having a specific molecular weight.
  • Patent Document 1 proposes a method of highly controlling the rate of molecular weight reduction in a short reaction time by temperature without using a catalyst. In terms of economic efficiency and stable production, it is difficult to control the molecular weight in the irreversible depolymerization reaction. It is difficult to adopt in industrial production.
  • Patent Document 2 presents a method of controlling a polymerization reaction by performing online predictions of molecular weights and molecular weight distributions from plant operation information in which continuous polymerization reactions are performed in a reactor, and utilizing the prediction results. Specifically, in Patent Document 2, the monomer supply amount of the target reaction system, the polymerization pressure and temperature, and the reaction state transition information in the reactor are obtained, the molecular weight and molecular weight distribution are predicted, and the prediction result is obtained. A method for controlling polymerization reactions is presented.
  • Patent Document 3 proposes a method of controlling a polymerization reaction in a reactor by predicting the molecular weight of a polymer fluid that continuously flows in a flow path of a plant and utilizing the prediction results.
  • the molecular weight of the target polymer fluid and plant operation information such as production rate, pressure, and temperature are acquired, the molecular weight and molecular weight distribution are predicted, and the polymerization reaction is performed using the prediction results. is presented.
  • an object of the present invention is to provide a polyester production system, a polyester production method, and a program that can easily predict the molecular weight during an irreversible decomposition reaction of a polymer present in an aqueous suspension. is to provide
  • a polyester production system is a polyester production system that produces polyester by a reaction involving a change in molecular weight, wherein the reaction condition information is selected from the reaction condition information, a storage unit that stores related information that associates at least one piece of reaction condition information with molecular weight information that indicates a molecular weight; an acquisition unit for acquiring in-reaction molecular weight information, which is molecular weight information at an arbitrary time during the reaction; and a computing unit that performs
  • a polyester production method is a polyester production method for producing polyester by a reaction involving a change in molecular weight, wherein the storage unit contains at least one reaction condition selected from reaction condition information of the reaction.
  • a program according to an aspect of the present invention is a program for causing a computer to function as a polyester production system that produces polyester by a reaction involving a change in molecular weight, wherein the computer is selected from reaction condition information of the reaction.
  • a storage unit for storing related information in which at least one piece of reaction condition information and molecular weight information indicating a molecular weight are associated; an acquisition unit for acquiring in-reaction molecular weight information, which is molecular weight information at any time during the reaction; It functions as a calculation unit that performs
  • FIG. 1 is a block diagram showing an example of a configuration of an arithmetic device according to an embodiment
  • FIG. 4 is a flowchart showing the flow of regression model generation processing in the arithmetic device according to the embodiment
  • It is a flowchart which shows the flow of the molecular weight prediction process in the arithmetic unit which concerns on this embodiment.
  • FIG. 1 is a diagram showing an example of the configuration of a polyester production system 1 according to this embodiment.
  • a polyester production system 1 is a system for producing polyester through a reaction involving a change in molecular weight.
  • a polyester production system 1 is composed of an arithmetic unit 10, a flow sensor 20, a flow sensor 21, a temperature sensor 22, and a pH sensor 23 shown in FIG.
  • the molecular weight of the product 60 produced by the reaction between the reactant 40 and the substance 50 promoting the reaction in the reactor 30 is predicted.
  • a reactant 40 is introduced into the reactor 30 via a channel 41 .
  • a substance 50 is introduced into the reactor 30 via a channel 51 .
  • the prediction regarding the molecular weight is, for example, the prediction of the molecular weight of the product 60 during the reaction time, or the prediction of the reaction time at which the molecular weight of the product 60 becomes the desired molecular weight.
  • the reaction time is specifically the reaction end time indicating the time when the reaction between the reactant 40 and the substance 50 ends.
  • prediction about molecular weight is not limited to this example.
  • reactant 40 is a polymer solution
  • substance 50 is sodium hydroxide (NaOH)
  • product 60 is polyester. Note that the types of the reactant 40, the substance 50, and the product 60 are not limited to these examples.
  • the chemical reaction that occurs in the reaction device 30 is a batch-type depolymerization reaction due to hydrolysis in the aqueous suspension.
  • the substance 50 in hydrolysis under acidic conditions functions as a catalyst
  • the substance 50 in hydrolysis under alkaline conditions functions as a reaction accelerator.
  • the type of chemical reaction that occurs in the reaction device 30 is not limited to this example.
  • an example in which the chemical reaction that occurs in the reaction device 30 is performed at a reaction temperature of 100° C. or less will be described.
  • the reaction temperature of the chemical reaction that occurs in the reaction device 30 is not limited to this example.
  • the computing device 10 is a device for predicting the molecular weight of the product 60 produced by the reaction of the reactant 40 and the substance 50 in the reactor 30 .
  • Examples of the computing device 10 include terminal devices such as PCs (Personal Computers), server devices, smartphones, and tablets.
  • the computing device 10 is communicably connected to the flow rate sensor 20, the flow rate sensor 21, the temperature sensor 22, and the pH sensor 23.
  • the computing device 10 can receive information obtained by the flow rate sensor 20, the flow rate sensor 21, the temperature sensor 22, and the pH sensor 23 through communication.
  • the flow rate sensor 20 and the flow rate sensor 21 are sensor devices that measure the target flow rate.
  • the flow rate sensor 20 is provided, for example, so as to be able to measure the input amount of the reactant 40 that is input to the reaction device 30 .
  • the flow rate sensor 20 is provided in the flow path 41 as shown in FIG. In this case, the flow rate sensor 20 acquires reactant amount information indicating the input amount of the reactant 40 that is input to the reactor 30 .
  • the flow rate sensor 21 is provided, for example, so as to be able to measure the input amount of the substance 50 that is input to the reaction device 30 .
  • the flow sensor 21 is provided in the flow path 51 as shown in FIG. In this case, the flow rate sensor 21 acquires substance amount information indicating the amount of the substance 50 introduced into the reaction device 30 .
  • the temperature sensor 22 is a sensor device that measures the temperature of a target. Temperature sensor 22 is provided, for example, to measure the temperature of product 60 in reactor 30 . As an example, temperature sensor 22 is provided in reactor 30 as shown in FIG. In this case, temperature sensor 22 acquires reaction temperature information indicating the temperature of product 60 in reactor 30 .
  • the pH sensor 23 is a sensor device that measures the pH of the object.
  • the pH sensor 23 is provided, for example, so as to be able to measure the pH of the product 60 in the reactor 30 .
  • the pH sensor 23 is provided in the reactor 30 as shown in FIG. In this case, pH sensor 23 obtains pH information indicative of the pH of product 60 in reactor 30 .
  • pH information is an example of physical information.
  • the reactor 30 is a device for chemically reacting a reactant 40 introduced into the reactor.
  • a chemical reaction using the reactor 30 produces a product 60 from a reactant 40 .
  • a stirrer 31 is provided inside the reactor 30 .
  • the stirrer 31 is a device for stirring the reactant 40 inside the reactor 30 .
  • the stirrer 31 is rotated by driving the motor 32 .
  • the reaction device 30 may have a configuration capable of heating or cooling the substance inside the reaction device 30 .
  • the exterior of the reactor 30 may be provided with a jacket.
  • a jacket is a device for heating or cooling the material inside the reactor 30 .
  • the jacket can cool or heat the substances in the reactor 30 by allowing cooling water, hot water, steam, heat medium, refrigerant, or the like to flow into the jacket.
  • the heating or slow-heating of the substance in the reaction device 30 may be performed by an internal circulation system capable of heating or slow-heating the reactant 40 inside the reaction device 30 by using a jacket.
  • An external circulation system may be used in which the substances in 30 are transferred to the outside of the reactor 30 and heat exchanged by an external heat exchanger.
  • FIG. 2 is a block diagram showing an example of the configuration of the arithmetic device 10 according to this embodiment.
  • the computing device 10 includes a communication section 100, a control section 110, a storage section 120, and an output section .
  • the communication unit 100 has a function of transmitting and receiving various information.
  • the communication unit 100 receives reactant amount information from the flow sensor 20, substance amount information from the flow sensor 21, reaction temperature information from the temperature sensor 22, and pH information from the pH sensor 23, respectively.
  • the communication unit 100 outputs each received information to the control unit 110 .
  • the communication unit 100 may use either a wired communication method or a wireless communication method.
  • Control unit 110 has a function of controlling the overall operation of the computing device 10 .
  • the function is realized by, for example, causing a CPU (Central Processing Unit) provided as hardware in the arithmetic unit 10 to execute a program.
  • a CPU Central Processing Unit
  • control unit 110 includes an acquisition unit 111, a learning unit 112, a calculation unit 113, a reaction control unit 114, and an output processing unit 115.
  • (2-1) Acquisition unit 111 has a function of acquiring various types of information.
  • the acquisition unit 111 acquires at least one piece of reaction condition information indicating the conditions of the chemical reaction from the reactor 30 in which the chemical reaction is performed.
  • the reaction condition information includes, for example, reactant amount information, substance amount information, reaction temperature information, and pH information.
  • the acquisition unit 111 acquires reaction condition information from various sensor devices provided in the reaction device 30 via the communication unit 100 .
  • the acquisition unit 111 acquires at least one of reaction temperature information, pH information (that is, physical information), and substance amount information among the reaction condition information.
  • the acquisition unit 111 acquires in-reaction molecular weight information, which is molecular weight information at an arbitrary time during the chemical reaction being performed in the reaction device 30 .
  • the acquisition unit 111 predicts the molecular weight at time t using Mw t-1 , k t-1 , [OH ⁇ ] t , and W NaOH ⁇ t as explanatory variables, and uses the predicted molecular weight as the in-reaction molecular weight information. to get as Mw t-1 is the molecular weight measured 1 hour ago. k t-1 is the actual value of the decomposition rate constant one hour ago.
  • [OH ⁇ ] t is the average [OH ⁇ ] value from 1 hour ago to t hours ago.
  • W NaOH ⁇ t is the integrated value of NaOH input from 1 hour ago to t hours ago.
  • the acquiring unit 111 predicts the reaction rate constant up to time t from the most recent measured value of the decomposition reaction rate constant, the process time, and the temperature.
  • the obtaining unit 111 corrects the predicted reaction rate constant with the NaOH consumption.
  • the obtaining unit 111 predicts the molecular weight at time t from the latest measured molecular weight, the hydroxide ion concentration (pH) in the reaction system, and the reaction rate constant up to time t.
  • the chemical reaction occurring in the reactor 30 is a batch type depolymerization reaction by hydrolysis in the aqueous suspension. That is, it is a process that should be considered as a slurry state, a batch process, and a reversible decomposition reaction, and the factors affecting the reaction rate are complicated, so the molecular weight is highly difficult to predict.
  • the time-series change in the crystallinity of the polymer particles has a particularly strong effect because the rate of decomposition decreases due to the progress of crystallization during the process.
  • fluctuations in particle size distribution between batches, pH meter calibration errors, and the like are also thought to have an effect, making the process difficult to predict due to large variations between processing batches.
  • the amount of alkali consumed as a reaction substrate is used as an explanatory variable in molecular weight prediction in a process with large variations in decomposition rate. As a result, it is possible to perform regression prediction that takes into account variations in the decomposition speed, thereby improving the prediction accuracy.
  • the learning unit 112 has a function of generating the regression model 121 .
  • the regression model 121 according to this embodiment is a model in which at least one piece of reaction condition information and molecular weight information indicating a molecular weight are associated, and is an example of related information.
  • the molecular weight information is, for example, information indicating the molecular weight for each reaction time of the chemical reaction that occurs within the reactor 30 .
  • the learning unit 112 causes the storage unit 120 to store the generated regression model 121 .
  • the learning unit 112 generates, for example, a regression model 121 representing the relationship between the reaction condition information and the molecular weight information based on the reaction condition information and the molecular weight information. Specifically, the learning unit 112 generates a regression model 121 that outputs molecular weight information according to the reaction condition information when the reaction condition information is input. Further, the learning unit 112 may generate a regression model 121 that outputs reaction condition information according to molecular weight information when molecular weight information is input. In the case of this embodiment, the learning unit 112 generates a regression model 121 that indicates the relationship between at least one piece of reaction condition information and molecular weight information that indicates the molecular weight for each reaction time of the chemical reaction occurring in the reaction device 30. .
  • the regression model 121 when the reaction condition information is input, the regression model 121 outputs molecular weight information indicating the molecular weight of the product 60 generated by the chemical reaction based on the reaction condition information for each reaction time. Further, when the molecular weight information is input, the regression model 121 outputs at least one piece of reaction condition information indicating chemical reaction conditions for producing the product 60 of the molecular weight information.
  • the learning unit 112 generates the regression model 121 by, for example, a statistical method.
  • statistical techniques include techniques such as PLS regression (Partial Least Squares Regression), generalized linear models, generalized linear mixed models, and hierarchical Bayesian models.
  • the learning unit 112 performs regression based on reaction condition information when a chemical reaction is actually performed in the reaction device 30 and molecular weight information indicating the molecular weight of the product 60 generated by the chemical reaction.
  • Generate model 121 In this embodiment, the learning unit 112 generates a model for calculating molecular weight information based on reaction condition information.
  • the calculation unit 113 has a function of predicting the molecular weight. For example, the calculation unit 113 predicts the molecular weight of the product 60 during reaction based on the reaction condition information, the molecular weight information, and the regression model 121 . In this embodiment, the calculation unit 113 predicts the molecular weight of polyester as an example.
  • the reaction condition information and the molecular weight information used by the calculation unit 113 to predict the molecular weight may be information acquired by the acquisition unit 111 or information input by the user.
  • the calculation unit 113 predicts the molecular weight of the product 60 produced under the reaction conditions indicated by the reaction condition information based on the reaction condition information of the chemical reaction occurring in the reaction device 30 and the regression model 121 .
  • the regression model 121 of this embodiment shows the relationship between the reaction condition information and the molecular weight information as described above. Therefore, the calculation unit 113 can predict the molecular weight of the product 60 produced by the chemical reaction occurring in the reaction device 30 based on the molecular weight information output by inputting the reaction condition information to the regression model 121. .
  • the calculation unit 113 predicts the molecular weight of the product 60 produced during the reaction time.
  • the calculation unit 113 generates the product 60 corresponding to the input molecular weight information by the chemical reaction occurring in the reaction device 30 based on the reaction condition information output by inputting the molecular weight information to the regression model 121. can predict the reaction conditions for Specifically, the calculation unit 113 predicts the reaction time of the product 60 during reaction based on the in-reaction molecular weight information and the regression model 121 . Further, the calculation unit 113 predicts the reaction time at which the desired molecular weight is obtained based on the desired molecular weight indicating the desired molecular weight and the regression model 121 . Note that the calculation unit 113 may combine the molecular weight information with the reaction condition information to predict the molecular weight information.
  • reaction conditions are predicted temperature and predicted pH.
  • the predicted temperature is the predicted temperature of the product 60 at the end of the reaction at the predicted molecular weight.
  • the predicted pH is the predicted pH of the product 60 at the end of the reaction at the predicted molecular weight.
  • the reaction control section 114 has a function of controlling chemical reactions in the reaction device 30 .
  • the reaction control unit 114 performs processing for suppressing the chemical reaction based on the reaction completion time predicted by the calculation unit 113 and the generated reaction conditions.
  • the reaction control unit 114 performs automatic control by transmitting the reaction conditions to the output unit. Thereby, the reaction control unit 114 can control the chemical reaction to end at the reaction end time predicted by the calculation unit 113 .
  • Output processing unit 115 has a function of controlling the output of the prediction result by the calculation unit 113 .
  • the output processing unit 115 inputs the molecular weight information or the reaction condition information predicted by the calculation unit 113 to the output unit 130 for display. Thereby, the user can confirm the prediction result by the calculation unit 113 .
  • the storage unit 120 has a function of storing various information.
  • the storage unit 120 includes storage media such as HDD (Hard Disk Drive), SSD (Solid State Drive), flash memory, EEPROM (Electrically Erasable Programmable Read Only Memory), RAM (Random Access read/write, ROM (Memory) Only Memory), or any combination of these storage media.
  • the storage unit 120 stores a regression model 121.
  • FIG. The regression model 121 is an example of related information that associates at least one piece of reaction condition information selected from reaction condition information of chemical reactions occurring in the reactor 30 with molecular weight information.
  • the storage unit 120 stores, as the molecular weight information, molecular weight information indicating the molecular weight for each reaction time of the chemical reaction.
  • the output unit 130 has a function of performing various outputs. For example, the output unit 130 outputs control signals for controlling chemical reactions in the reaction device 30 based on the reaction conditions input from the reaction control unit 114 . In addition, the output unit 130 displays molecular weight information or reaction condition information (prediction results) input from the output processing unit 115 .
  • FIG. 3 is a flowchart showing the flow of regression model generation processing in the arithmetic device 10 according to the present embodiment.
  • the acquisition unit 111 of the arithmetic device 10 acquires reaction condition information (step S100).
  • the obtaining unit 111 obtains molecular weight information (step S101).
  • the reaction condition information and molecular weight information acquired by the acquisition unit 111 may be information detected by various sensor devices, information acquired based on the detected information, or information input by the user. good.
  • the learning unit 112 generates the regression model 121 based on the reaction condition information and the molecular weight information acquired by the acquisition unit 111 (step S102). Then, the learning unit 112 stores the generated regression model 121 in the storage unit 120 (step S103).
  • FIG. 4 is a flow chart showing the flow of molecular weight prediction processing in the arithmetic device 10 according to the present embodiment.
  • the acquisition unit 111 acquires reaction condition information or molecular weight information (step S200).
  • the reaction condition information and molecular weight information acquired by the acquisition unit 111 may be information detected by various sensor devices, information acquired based on the detected information, or information input by the user. good.
  • the calculation unit 113 inputs the information acquired by the acquisition unit 111 in step S200 to the regression model 121 stored in the storage unit 120 (step S201).
  • the regression model 121 outputs information according to input information.
  • the calculation unit 113 predicts the molecular weight based on the information output by the regression model 121 (step S202).
  • the reaction control unit 114 or the output processing unit 115 outputs information corresponding to the prediction result predicted by the calculation unit 113 to the output unit 130 to perform output processing (step S203).
  • the polyester production system 1 includes at least the storage unit 120, the acquisition unit 111, and the calculation unit 113.
  • the storage unit 120 stores a regression model 121 that associates at least one piece of reaction condition information selected from reaction condition information of chemical reactions with molecular weight information.
  • the acquisition unit 111 acquires at least one piece of reaction condition information from the reaction device 30 in which a chemical reaction is taking place, and acquires in-reaction molecular weight information, which is molecular weight information at an arbitrary time during the chemical reaction.
  • the calculation unit 113 predicts the molecular weight of the product 60 during the reaction based on the reaction condition information, the molecular weight information during the reaction, and the regression model 121 .
  • the polyester production system 1 provides the reaction condition information or molecular weight information of the chemical reaction in the reaction device 30 with respect to the regression model 121 in which the reaction condition information and molecular weight information in the chemical reaction are associated.
  • a prediction about the molecular weight of the product 60 being reacted in the reactor 30 can be made by simply entering it.
  • the polyester production system 1 makes it possible to easily predict the molecular weight during the irreversible decomposition reaction of the polymer present in the aqueous suspension.
  • the learning unit 112 generates the regression model 121 using a statistical method.
  • the computation unit 113 can use the learned model as the regression model 121 to predict the molecular weight of the product 60 during the reaction.
  • machine learning methods include SVR (Support Vector Regression), random forests, and deep learning using neural networks.
  • the learning unit 112 performs machine learning based on reaction condition information when a chemical reaction is actually performed in the reaction device 30 and molecular weight information indicating the molecular weight of the product 60 generated by the chemical reaction. Generate a trained model by performing learning.
  • the learning unit 112 generates a trained model by, for example, supervised learning.
  • supervised learning a learning model is made to learn using a training data set.
  • a data set is a set of explanatory variables that are input during learning and objective variables that indicate the correct answer of data that is output based on the input data.
  • explanatory variables are reaction condition information.
  • the objective variable is molecular weight information.
  • the learning unit 112 generates a trained model in which correspondence between reaction conditions and molecular weights is learned using the explanatory variables and the objective variables.
  • the learning unit 112 may generate a learned model in which the reaction rate of the reaction is updated by performing machine learning based on the reaction condition information and the molecular weight information for each reaction time of the reaction.
  • the calculation unit 113 can use the reaction rate to make predictions about the molecular weight of the product during the reaction.
  • the modified example of the present invention has been described above.
  • a part or all of the configurations of the polyester production system 1 and the arithmetic device 10 in the above-described embodiment may be realized by a computer.
  • a program for realizing this function may be recorded in a computer-readable recording medium, and the program recorded in this recording medium may be read into a computer system and executed.
  • the "computer system” referred to here includes hardware such as an OS and peripheral devices.
  • the term "computer-readable recording medium” refers to portable media such as flexible discs, magneto-optical discs, ROMs and CD-ROMs, and storage devices such as hard discs incorporated in computer systems.
  • “computer-readable recording medium” means a medium that dynamically retains a program for a short period of time, like a communication line when transmitting a program via a network such as the Internet or a communication line such as a telephone line. It may also include something that holds the program for a certain period of time, such as a volatile memory inside a computer system that serves as a server or client in that case. Further, the program may be for realizing a part of the functions described above, or may be capable of realizing the functions described above in combination with a program already recorded in the computer system, It may be implemented using a programmable logic device such as an FPGA (Field Programmable Gate Array) or a PLC (Programmable Logic Controller).
  • FPGA Field Programmable Gate Array
  • PLC Programmable Logic Controller
  • Polyester Production System 10 Arithmetic Device 20, 21 Flow Sensor 22 Temperature Sensor 23 pH Sensor 30 Reactor 31 Stirrer 32 Motor 40 Reactant 41 Channel 50 Substance 51 Channel 60 Product 100 Communication Unit 110 Control Unit 111 Acquisition Unit 112 Learning unit 113 Calculation unit 114 Reaction control unit 115 Output processing unit 120 Storage unit 121 Regression model 130 Output unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Polymers & Plastics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Organic Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Polyesters Or Polycarbonates (AREA)

Abstract

分子量変化を伴う反応によってポリエステルを生産するポリエステル生産システムであって、前記反応の反応条件情報の中から選ばれる、少なくとも１つの反応条件情報と、分子量を示す分子量情報とを関連付けた関連情報を記憶する記憶部と、前記反応が行われている反応装置から、前記反応条件情報を少なくとも１つ取得し、前記反応の反応中の任意時間における分子量情報である反応中分子量情報を取得する取得部と、前記反応条件情報、前記反応中分子量情報、および前記関連情報に基づき、反応中の生成物の分子量に関する予測を行う演算部と、を備える、ポリエステル生産システム。

Description

ポリエステル生産システム、ポリエステル生産方法、及びプログラム
　本発明は、ポリエステル生産システム、ポリエステル生産方法、及びプログラムに関する。
　本願は、２０２１年１月２６日に、日本に出願された特願２０２１－０１００１６号に基づき優先権を主張し、その内容をここに援用する。
　従来、高分子の分子量を予測するための技術が各種提案されている。
　例えば、下記特許文献１には、高分子量の生分解性ポリエステルを、高温高圧水中・溶融状態で加水分解を行うことによる、特定の分子量を有するポリエステルの解重合による製造方法が提示されている。具体的に、特許文献１では、触媒を用いることなく温度により、短時間の反応で、分子量の低下速度を高度に制御される手法を提示されているが、大量生産においては、解重合反応槽に耐圧性能が求められ、反応槽の昇温・降温過程でも分解が進行することと、非可逆な解重合反応における分子量の工程管理が困難であることなどから、経済性・安定生産の面から工業生産においては採用し難い。
　また、下記特許文献２には、反応装置内で連続重合反応を行うプラント運転情報から、分子量および分子量分布に関するオンライン予測を行い、予測結果を活用した重合反応の制御方法が提示されている。具体的に、特許文献２では、対象としている反応系の単量体供給量、重合圧力・温度、反応装置内における反応状態推移情報を取得し、分子量および分子量分布に関する予測を行い、予測結果を活用した重合反応の制御方法が提示されている。
　また、下記特許文献３には、プラントの流路内を連続的に流れる高分子流体の分子量を予測し、予測結果を活用した反応装置内における重合反応制御方法が提示されている。具体的に、特許文献３では、対象としている高分子流体の分子量と、生産レート・圧力・温度などのプラント運転情報を取得し、分子量および分子量分布に関する予測を行い、予測結果を活用した重合反応の制御方法が提示されている。
特開２００３－３１３２８３号公報 特開平３－１１５３０２号公報 特開２００４－１２５４４７号公報
　上記の各特許文献の事例では、分子量との間に良好な相関関係がある為、過去に蓄積された取得済みデータから比較的容易に回帰モデルを構築することが可能である。しかしながら、水系懸濁液中に存在する高分子粒子の非可逆な解重合反応における分子量予測においては、結晶化度が分解速度に影響し、工程の温度や進行に伴い結晶化度が変化するため分解速度が低下したり、粒子径分布やｐＨ計の較正誤差など複雑に影響したりするため、同様の手法は適用しにくい。
　上述の課題を鑑み、本発明の目的は、水系懸濁液中に存在する高分子の非可逆な分解反応中の分子量を容易に予測することが可能なポリエステル生産システム、ポリエステル生産方法、及びプログラムを提供することにある。
　上述の課題を解決するために、本発明の一態様に係るポリエステル生産システムは、分子量変化を伴う反応によってポリエステルを生産するポリエステル生産システムであって、前記反応の反応条件情報の中から選ばれる、少なくとも１つの反応条件情報と、分子量を示す分子量情報とを関連付けた関連情報を記憶する記憶部と、前記反応が行われている反応装置から、前記反応条件情報を少なくとも１つ取得し、前記反応の反応中の任意時間における分子量情報である反応中分子量情報を取得する取得部と、前記反応条件情報、前記反応中分子量情報、および前記関連情報に基づき、反応中の生成物の分子量に関する予測を行う演算部と、を備える。
　本発明の一態様に係るポリエステル生産方法は、分子量変化を伴う反応によってポリエステルを生産するポリエステル生産方法であって、記憶部が、前記反応の反応条件情報の中から選ばれる、少なくとも１つの反応条件情報と、分子量を示す分子量情報とを関連付けた関連情報を記憶する記憶過程と、取得部が、前記反応が行われている反応装置から、前記反応条件情報を少なくとも１つ取得し、前記反応の反応中の任意時間における分子量情報である反応中分子量情報を取得する取得過程と、演算部が、前記反応条件情報、前記反応中分子量情報、および前記関連情報に基づき、反応中の生成物の分子量に関する予測を行う演算過程と、を含む。
　本発明の一態様に係るプログラムは、分子量変化を伴う反応によってポリエステルを生産するポリエステル生産システムとしてコンピュータを機能させるためのプログラムであって、前記コンピュータを、前記反応の反応条件情報の中から選ばれる、少なくとも１つの反応条件情報と、分子量を示す分子量情報とを関連付けた関連情報を記憶する記憶部と、前記反応が行われている反応装置から、前記反応条件情報を少なくとも１つ取得し、前記反応の反応中の任意時間における分子量情報である反応中分子量情報を取得する取得部と、前記反応条件情報、前記反応中分子量情報、および前記関連情報に基づき、反応中の生成物の分子量に関する予測を行う演算部と、として機能させる。
　本発明によれば、水系懸濁液中に存在する高分子の非可逆な分解反応中の分子量を容易に予測することができる。
本実施形態に係るポリエステル生産システムの構成の一例を示す図である。 本実施形態に係る演算装置の構成の一例を示すブロック図である。 本実施形態に係る演算装置における回帰モデル生成処理の流れを示すフローチャートである。 本実施形態に係る演算装置における分子量予測処理の流れを示すフローチャートである。
　以下、図面を参照しながら本発明の実施形態について詳しく説明する。
＜１．ポリエステル生産システムの構成＞
　図１を参照して、本実施形態に係るポリエステル生産システムの構成について説明する。図１は、本実施形態に係るポリエステル生産システム１の構成の一例を示す図である。ポリエステル生産システム１は、分子量変化を伴う反応によってポリエステルを生産するシステムである。ポリエステル生産システム１は、図１に示す演算装置１０、流量センサ２０、流量センサ２１、温度センサ２２、及びｐＨセンサ２３で構成される。本実施形態に係るポリエステル生産システム１では、反応装置３０において反応物４０と反応を促進させる物質５０との反応によって生成される生成物６０の分子量に関する予測が行われる。反応物４０は、流路４１を介して反応装置３０へ投入される。物質５０は、流路５１を介して、反応装置３０へ投入される。
　分子量に関する予測は、例えば、反応時間における生成物６０の分子量の予測や、生成物６０の分子量が所望の分子量となる反応時間の予測である。反応時間は、具体的に、反応物４０と物質５０の反応が終了する時間を示す反応終了時間である。なお、分子量に関する予測は、かかる例に限定されない。
　本実施形態では、一例として、反応物４０がポリマー溶液、物質５０が水酸化ナトリウム（ＮａＯＨ）、生成物６０がポリエステルである例について説明する。なお、反応物４０、物質５０、及び生成物６０の種類は、かかる例に限定されない。また、本実施形態では、一例として、反応装置３０内にて起こる化学反応が水系懸濁液中の加水分解によるバッチ式の解重合反応である例について説明する。なお、酸性条件下での加水分解における物質５０は触媒として機能し、アルカリ性条件下での加水分解における物質５０は反応促進剤として機能する。
　なお、反応装置３０内にて起こる化学反応の種類は、かかる例に限定されない。また、本実施形態では、一例として、反応装置３０内にて起こる化学反応が１００℃以下の反応温度で行われる例について説明する。なお、反応装置３０内にて起こる化学反応の反応温度は、かかる例に限定されない。
　演算装置１０は、反応装置３０において反応物４０と物質５０の反応によって生成される生成物６０の分子量に関する予測を行う装置である。演算装置１０の一例として、ＰＣ（Ｐｅｒｓｏｎａｌ　Ｃｏｍｐｕｔｅｒ）、サーバ装置、スマートフォン、及びタブレット等の端末装置が挙げられる。
　演算装置１０は、流量センサ２０、流量センサ２１、温度センサ２２、及びｐＨセンサ２３と通信可能に接続されている。演算装置１０は、流量センサ２０、流量センサ２１、温度センサ２２、及びｐＨセンサ２３が取得した情報を通信によって受信することができる。
　流量センサ２０及び流量センサ２１は、対象の流量を測定するセンサ装置である。
　流量センサ２０は、例えば、反応装置３０へ投入される反応物４０の投入量を測定可能に設けられる。一例として、流量センサ２０は、図１に示すように流路４１に設けられる。この場合、流量センサ２０は、反応装置３０へ投入される反応物４０の投入量を示す反応物量情報を取得する。
　流量センサ２１は、例えば、反応装置３０へ投入される物質５０の投入量を測定可能に設けられる。一例として、流量センサ２１は、図１に示すように流路５１に設けられる。この場合、流量センサ２１は、反応装置３０へ投入される物質５０の投入量を示す物質量情報を取得する。
　温度センサ２２は、対象の温度を測定するセンサ装置である。温度センサ２２は、例えば、反応装置３０内の生成物６０の温度を測定可能に設けられる。一例として、温度センサ２２は、図１に示すように反応装置３０に設けられる。この場合、温度センサ２２は、反応装置３０内の生成物６０の温度を示す反応温度情報を取得する。
　ｐＨセンサ２３は、対象のｐＨを測定するセンサ装置である。ｐＨセンサ２３は、例えば、反応装置３０内の生成物６０のｐＨを測定可能に設けられる。一例として、ｐＨセンサ２３は、図１に示すように反応装置３０に設けられる。この場合、ｐＨセンサ２３は、反応装置３０内の生成物６０のｐＨを示すｐＨ情報を取得する。ｐＨ情報は、物理情報の一例である。
　反応装置３０は、反応装置内に投入された反応物４０に化学反応を行わせるための装置である。本実施形態では、当該反応装置３０を用いた化学反応によって、反応物４０から生成物６０を生成する。
　反応装置３０の内部には、撹拌機３１が設けられている。撹拌機３１は、反応装置３０の内部の反応物４０を攪拌するための装置である。撹拌機３１は、モータ３２の駆動によって回転する。
　なお、反応装置３０は、反応装置３０の内部の物質を加熱又は冷却可能な構成を有してもよい。例えば、反応装置３０の外部には、ジャケットが設けられてもよい。ジャケットは、反応装置３０の内部の物質を加熱又は冷却するための装置である。ジャケットは、内部に冷却水、温水、蒸気、熱媒、冷媒等を流入させることで、反応装置３０内の物質を冷却又は加熱することができる。なお、反応装置３０内の物質の加熱又は徐熱は、ジャケットを用いることで反応装置３０の内部で反応物４０の加熱又は徐熱が可能な内部循環方式によって行われてもよいし、反応装置３０内の物質を反応装置３０の外部へ移送して外部の熱交換器によって熱交換を行う外部循環方式が用いられてもよい。
＜２．演算装置の構成＞
　図２を参照して、本実施形態に係る演算装置１０の構成について説明する。図２は、本実施形態に係る演算装置１０の構成の一例を示すブロック図である。
　図２に示すように、演算装置１０は、通信部１００、制御部１１０、記憶部１２０、及び出力部１３０を備える。
（１）通信部１００
　通信部１００は、各種情報を送受信する機能を有する。例えば、通信部１００は、流量センサ２０から反応物量情報、流量センサ２１から物質量情報、温度センサ２２から反応温度情報、ｐＨセンサ２３からｐＨ情報をそれぞれ受信する。通信部１００は、受信した各情報を制御部１１０へ出力する。
　なお、通信部１００は、有線通信あるいは無線通信のいずれの通信方式を用いてもよい。
（２）制御部１１０
　制御部１１０は、演算装置１０の動作全般を制御する機能を有する。当該機能は、例えば、演算装置１０がハードウェアとして備えるＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）にプログラムを実行させることによって実現される。
　図２に示すように制御部１１０は、取得部１１１、学習部１１２、演算部１１３、反応制御部１１４、及び出力処理部１１５を備える。
　（２－１）取得部１１１
　取得部１１１は、各種情報を取得する機能を有する。例えば、取得部１１１は、化学反応が行われている反応装置３０から、当該化学反応の条件を示す反応条件情報を少なくとも１つ取得する。反応条件情報には、例えば、反応物量情報、物質量情報、反応温度情報、ｐＨ情報が含まれる。具体的には、取得部１１１は、通信部１００を介して、反応装置３０に設けられた各種センサ装置から反応条件情報を取得する。本実施形態では、取得部１１１は、反応条件情報の内、反応温度情報、ｐＨ情報（即ち物理情報）、及び物質量情報の少なくともいずれか１つを取得する。
　取得部１１１は、取得した反応条件情報に基づき、反応装置３０で行われている化学反応の反応中の任意時間における分子量情報である反応中分子量情報を取得する。
　例えば、取得部１１１は、時刻ｔにおける分子量を、Ｍｗｔ-1、ｋｔ－１、［ＯＨ－］ｔ、ＷＮａＯＨ・tを説明変数として用いて予測し、予測した分子量を反応中分子量情報として取得する。Ｍｗｔ-1は、１時間前の分子量実測値である。ｋｔ－１は、１時間前の分解速度定数実績値である。［ＯＨ－］ｔは、１時間前からｔ時間前までの［ＯＨ－］平均値である。ＷＮａＯＨ・tは、１時間前からｔ時間前までのＮａＯＨ投入積算値である。
　具体的に、まず、取得部１１１は、直近の分解反応速度定数の実測値と工程時間と温度とから、時刻ｔまでの反応速度定数を予測する。次いで、取得部１１１は、予測した反応速度定数をＮａＯＨ消費量で補正する。そして、取得部１１１は、直近の実測分子量と反応系中の水酸化物イオン濃度（ｐＨ）と時刻ｔまでの反応速度定数とから、時刻ｔにおける分子量を予測する。
　なお、本実施形態は、反応装置３０内にて起こる化学反応が水系懸濁液中の加水分解によるバッチ式の解重合反応である。即ち、スラリー状態、バッチプロセス、及び可逆的な分解反応であることを考慮すべきプロセスであり、反応速度に影響する因子が複雑なため分子量の予測の難易度が高い。特に、高分子粒子の結晶化度の時系列変化では、工程中における結晶化の進行により分解速度が低下することから、特に強く影響することが分かっている。その他、粒子径分布のバッチ間での揺らぎ、ｐＨ計較正誤差なども影響すると考えられており、処理バッチ毎のばらつきが大きく予測が難しいプロセスとなっている。
　そこで、本実施形態では、分解速度のばらつきが大きいプロセスにおける分子量予測において、反応基質となるアルカリの消費量を説明変数に採用している。これにより、分解速度のばらつきを取り込んだ回帰予測が可能となり、予測精度を向上することができる。
　（２－２）学習部１１２
　学習部１１２は、回帰モデル１２１を生成する機能を有する。本実施形態に係る回帰モデル１２１は、少なくとも１つの反応条件情報と分子量を示す分子量情報とが関連付けられたモデルであり、関連情報の一例である。分子量情報は、例えば、反応装置３０内にて起こる化学反応の反応時間ごとの分子量を示す情報である。学習部１１２は、生成した回帰モデル１２１を記憶部１２０に記憶させる。
　学習部１１２は、例えば、反応条件情報と分子量情報とに基づいて、反応条件情報と分子量情報との関係性を示す回帰モデル１２１を生成する。具体的に、学習部１１２は、反応条件情報を入力された際に当該反応条件情報に応じた分子量情報を出力する回帰モデル１２１を生成する。また、学習部１１２は、分子量情報を入力された際に当該分子量情報に応じた反応条件情報を出力する回帰モデル１２１を生成してもよい。
　本実施形態の場合、学習部１１２は、少なくとも１つの反応条件情報と、反応装置３０内にて起こる化学反応の反応時間ごとの分子量を示す分子量情報との関係性を示す回帰モデル１２１を生成する。これにより、回帰モデル１２１は、反応条件情報が入力されると、当該反応条件情報による化学反応によって生成される生成物６０の反応時間ごとの分子量を示す分子量情報を出力する。また、回帰モデル１２１は、分子量情報が入力されると、当該分子量情報の生成物６０を生成するための化学反応の条件を示す反応条件情報を少なくとも１つ出力する。
　学習部１１２は、例えば、統計的手法により回帰モデル１２１を生成する。統計的手法の一例として、ＰＬＳ回帰（Ｐａｒｔｉａｌ　Ｌｅａｓｔ　Ｓｑｕａｒｅｓ　Ｒｅｇｒｅｓｓｉｏｎ）、一般化線形モデル、一般化線形混合モデル、階層ベイズモデルなどの手法が挙げられる。具体的に、学習部１１２は、実際に反応装置３０にて化学反応が行われた際の反応条件情報と、当該化学反応によって生成された生成物６０の分子量を示す分子量情報とに基づき、回帰モデル１２１を生成する。本実施形態では、学習部１１２は、反応条件情報に基づき分子量情報を算出するモデルを生成する。
　（２－３）演算部１１３
　演算部１１３は、分子量に関する予測を行う機能を有する。例えば、演算部１１３は、反応条件情報、分子量情報、及び回帰モデル１２１に基づき、反応中の生成物６０の分子量に関する予測を行う。本実施形態では、演算部１１３は、一例としてポリエステルの分子量を予測するものとする。なお、演算部１１３が分子量に関する予測に用いる反応条件情報と分子量情報は、取得部１１１によって取得される情報であってもよいし、ユーザによって入力される情報であってもよい。
　例えば、演算部１１３は、反応装置３０で起こる化学反応の反応条件情報及び回帰モデル１２１に基づき、当該反応条件情報が示す反応条件において生成される生成物６０の分子量を予測する。本実施形態の回帰モデル１２１は、上述したように反応条件情報と分子量情報の関係性を示す。そのため、演算部１１３は、反応条件情報を回帰モデル１２１へ入力することで出力される分子量情報に基づき、反応装置３０内で起こる化学反応で生成される生成物６０の分子量を予測することができる。
　具体的に、演算部１１３は、反応装置３０で起こる化学反応の反応時間及び回帰モデル１２１に基づき、当該反応時間において生成される生成物６０の分子量を予測する。
　また、演算部１１３は、分子量情報を回帰モデル１２１へ入力することで出力される反応条件情報に基づき、入力した分子量情報に対応する生成物６０を反応装置３０内で起こる化学反応にて生成するための反応条件を予測することができる。
　具体的に、演算部１１３は、反応中分子量情報及び回帰モデル１２１に基づき、反応中の生成物６０の反応時間を予測する。また、演算部１１３は、所望の分子量を示す所望分子量及び回帰モデル１２１に基づき、所望の分子量となる反応時間を予測する。なお、演算部１１３は、分子量情報に反応条件情報を組み合わせて、分子量情報の予測を行ってもよい。
　演算部１１３は、予測した結果に基づき、反応終了時間となる反応条件を少なくとも１つ生成する。例えば、反応条件は、予測温度や予測ｐＨである。予測温度は、予測した分子量となる反応終了時間における生成物６０の温度を予測したものである。予測ｐＨは、予測した分子量となる反応終了時間における生成物６０のｐＨを予測したものである。
　（２－４）反応制御部１１４
　反応制御部１１４は、反応装置３０における化学反応を制御する機能を有する。例えば、反応制御部１１４は、演算部１１３によって予測された反応終了時間と生成された反応条件に基づき、化学反応を抑制させる処理を行う。具体的に、反応制御部１１４は、反応条件を出力部へ送信して自動制御を行う。これにより、反応制御部１１４は、演算部１１３によって予測された反応終了時間で化学反応が終了するよう制御することができる。
　（２－５）出力処理部１１５
　出力処理部１１５は、演算部１１３による予測結果の出力を制御する機能を有する。例えば、出力処理部１１５は、演算部１１３が予測した分子量情報又は反応条件情報を出力部１３０へ入力し、表示させる。これにより、ユーザは、演算部１１３による予測結果を確認することができる。
（３）記憶部１２０
　記憶部１２０は、各種情報を記憶する機能を有する。記憶部１２０は、記憶媒体、例えば、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）、フラッシュメモリ、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ　Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　ｒｅａｄ／ｗｒｉｔｅ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、またはこれらの記憶媒体の任意の組み合わせによって構成される。
　図２に示すように、記憶部１２０は、回帰モデル１２１を記憶する。当該回帰モデル１２１は、反応装置３０で起こる化学反応の反応条件情報の中から選ばれる、少なくとも１つの反応条件情報と、分子量情報とを関連付けた関連情報の一例である。記憶部１２０は、当該分子量情報として、化学反応の反応時間ごとの分子量を示す分子量情報を記憶する。
（４）出力部１３０
　出力部１３０は、各種出力を行う機能を有する。例えば、出力部１３０は、反応制御部１１４から入力される反応条件に基づき、反応装置３０における化学反応を制御するための制御信号を出力する。また、出力部１３０は、出力処理部１１５から入力される分子量情報又は反応条件情報（予測結果）を表示する。
＜３．処理の流れ＞
　図３及び図４を参照して、本実施形態に係る演算装置１０における処理の流れについて説明する。
（１）回帰モデル生成処理
　図３は、本実施形態に係る演算装置１０における回帰モデル生成処理の流れを示すフローチャートである。
　図３に示すように、まず、演算装置１０の取得部１１１は、反応条件情報を取得する（ステップＳ１００）。
　次いで、取得部１１１は、分子量情報を取得する（ステップＳ１０１）。
　なお、取得部１１１が取得する反応条件情報及び分子量情報は、各種センサ装置によって検出された情報、当該検出された情報に基づき取得される情報、又はユーザによって入力される情報にいずれであってもよい。
　次いで、学習部１１２は、取得部１１１が取得した反応条件情報及び分子量情報に基づき、回帰モデル１２１を生成する（ステップＳ１０２）。
　そして、学習部１１２は、生成した回帰モデル１２１を記憶部１２０に記憶させる（ステップＳ１０３）。
（２）反応進行状況予測処理
　図４は、本実施形態に係る演算装置１０における分子量予測処理の流れを示すフローチャートである。
　取得部１１１は、反応条件情報又は分子量情報を取得する（ステップＳ２００）。
　なお、取得部１１１が取得する反応条件情報及び分子量情報は、各種センサ装置によって検出された情報、当該検出された情報に基づき取得される情報、又はユーザによって入力される情報にいずれであってもよい。
　次いで、演算部１１３は、ステップＳ２００にて取得部１１１によって取得された情報を記憶部１２０に記憶された回帰モデル１２１へ入力する（ステップＳ２０１）。回帰モデル１２１は、入力された情報に応じた情報を出力する。
　演算部１１３は、回帰モデル１２１が出力した情報に基づき、分子量に関する予測を行う（ステップＳ２０２）。反応制御部１１４又は出力処理部１１５は、演算部１１３が予測した予測結果に応じた情報を出力部１３０へ出力し、出力処理を行わせる（ステップＳ２０３）。
　以上説明したように、本実施形態に係るポリエステル生産システム１は、記憶部１２０、取得部１１１、及び演算部１１３を少なくとも備える。
　記憶部１２０は、化学反応の反応条件情報の中から選ばれる、少なくとも１つの反応条件情報と分子量情報とを関連付けた回帰モデル１２１を記憶する。
　取得部１１１は、化学反応が行われている反応装置３０から、反応条件情報を少なくとも１つ取得し、化学反応の反応中の任意時間における分子量情報である反応中分子量情報を取得する。
　演算部１１３は、反応条件情報、反応中分子量情報、及び回帰モデル１２１に基づき、反応中の生成物６０の分子量に関する予測を行う。
　かかる構成により、本実施形態に係るポリエステル生産システム１は、化学反応における反応条件情報と分子量情報とが関連付けられた回帰モデル１２１に対して、反応装置３０における化学反応の反応条件情報又は分子量情報を入力するだけで、反応装置３０において反応中の生成物６０の分子量に関する予測を行うことができる。
　よって、本実施形態に係るポリエステル生産システム１は、水系懸濁液中に存在する高分子の非可逆な分解反応中の分子量を容易に予測することを可能とする。
＜４．変形例＞
　以上、本発明の実施形態について説明した。続いて、本発明の実施形態の変形例について説明する。なお、以下に説明する各変形例は、単独で本発明の実施形態に適用されてもよいし、組み合わせで本発明の実施形態に適用されてもよい。また、各変形例は、本発明の実施形態で説明した構成に代えて適用されてもよいし、本発明の実施形態で説明した構成に対して追加的に適用されてもよい。
　上述の実施形態では、学習部１１２が統計的手法によって回帰モデル１２１を生成する例について説明したが、かかる例に限定されない、学習部１１２は、機械学習により回帰モデル１２１（学習済みモデル）を生成してもよい。演算部１１３は、回帰モデル１２１として学習済みモデルを用いて、反応中の生成物６０の分子量に関する予測を行うことができる。
　機械学習の手法の一例として、ＳＶＲ（サポートベクター回帰）、ランダムフォレスト、ニューラルネットワークによるディープラーニング等が挙げられる。具体的に、学習部１１２は、実際に反応装置３０にて化学反応が行われた際の反応条件情報と、当該化学反応によって生成された生成物６０の分子量を示す分子量情報とに基づいて機械学習を行うことで、学習済みモデルを生成する。
　学習部１１２は、例えば、教師あり学習によって学習済みモデルを生成する。教師あり学習では、学習モデルに学習用のデータセットを用いた学習を行わせる。データセットは、学習時の入力となる説明変数と、当該入力データに基づき出力されるデータの正解を示す目的変数のセットである。本実施形態の場合、説明変数は、反応条件情報である。目的変数は、分子量情報である。学習部１１２は、当該説明変数と当該目的変数を用いて、反応条件と分子量の対応を学習した学習済みモデルを生成する。
　また、学習部１１２は、反応条件情報と反応の反応時間ごとの分子量情報とに基づいて機械学習を行うことで、反応の反応速度が更新された学習済みモデルを生成してもよい。演算部１１３は、反応速度を用いて、反応中の生成物の分子量に関する予測を行うことができる。
　以上、本発明の変形例について説明した。なお、上述した実施形態におけるポリエステル生産システム１及び演算装置１０が備える構成の一部又は全部をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等のプログラマブルロジックデバイスやＰＬＣ（Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｃｏｎｔｒｏｌｌｅｒ）を用いて実現されるものであってもよい。
　以上、図面を参照してこの発明の実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。
　１　ポリエステル生産システム
　１０　演算装置
　２０、２１　流量センサ
　２２　温度センサ
　２３　ｐＨセンサ
　３０　反応装置
　３１　撹拌機
　３２　モータ
　４０　反応物
　４１　流路
　５０　物質
　５１　流路
　６０　生成物
　１００　通信部
　１１０　制御部
　１１１　取得部
　１１２　学習部
　１１３　演算部
　１１４　反応制御部
　１１５　出力処理部
　１２０　記憶部
　１２１　回帰モデル
　１３０　出力部

Claims (16)

  1. 　分子量変化を伴う反応によってポリエステルを生産するポリエステル生産システムであって、
    　前記反応の反応条件情報の中から選ばれる、少なくとも１つの反応条件情報と、分子量を示す分子量情報とを関連付けた関連情報を記憶する記憶部と、
    　前記反応が行われている反応装置から、前記反応条件情報を少なくとも１つ取得し、前記反応の反応中の任意時間における分子量情報である反応中分子量情報を取得する取得部と、
    　前記反応条件情報、前記反応中分子量情報、および前記関連情報に基づき、反応中の生成物の分子量に関する予測を行う演算部と、
    　を備える、ポリエステル生産システム。
  2. 　前記反応は、水系懸濁液中の加水分解による、バッチ式の解重合反応である、
    　請求項１に記載のポリエステル生産システム。
  3. 　前記取得部は、反応温度情報、ｐＨを示す物理情報、または前記反応を促進させる物質の投入量を示す物質量情報のうち、少なくともいずれか１つを前記反応条件情報として取得する、
    　請求項１または２に記載のポリエステル生産システム。
  4. 　前記反応は、１００℃以下の反応温度で行われる、
    　請求項１から請求項３のいずれか１項に記載のポリエステル生産システム。
  5. 　前記演算部は、ポリエステルの分子量を予測する、
    　請求項１から請求項４のいずれか１項に記載のポリエステル生産システム。
  6. 　前記記憶部は、前記反応の反応時間ごとの分子量を示す前記分子量情報を記憶し、
    　前記演算部は、前記反応装置での前記反応の反応時間、前記反応条件情報、及び前記関連情報に基づき、前記反応時間における前記分子量を予測する、
    　請求項１に記載のポリエステル生産システム。
  7. 　前記記憶部は、前記反応の反応時間ごとの前記分子量を示す前記分子量情報を記憶し、
    　前記演算部は、所望の分子量を示す所望分子量、前記反応条件情報、及び前記関連情報に基づき、所望の分子量となる前記反応時間を予測する、
    　請求項１に記載のポリエステル生産システム。
  8. 　前記反応時間は、前記反応が終了する時間を示す反応終了時間であり、
    　前記演算部は、予測した結果に基づき、前記反応終了時間となる反応条件を少なくとも１つ生成する、
    　請求項７に記載のポリエステル生産システム。
  9. 　前記反応条件は、予測温度である、
    　請求項８に記載のポリエステル生産システム。
  10. 　前記反応条件は、予測ｐＨである、
    　請求項８に記載のポリエステル生産システム。
  11. 　前記反応終了時間と前記反応条件に基づき、前記反応を抑制させる処理を行う反応制御部、
    　をさらに備える、請求項８に記載のポリエステル生産システム。
  12. 　前記反応制御部は、前記反応条件を出力部へ送信して自動制御を行う、
    　請求項１１に記載のポリエステル生産システム。
  13. 　前記反応条件情報と前記分子量情報に基づいて機械学習を行うことで学習済みモデルを生成する学習部を備え、
    　前記演算部は、前記関連情報として前記学習済みモデルを用いて、前記反応中の生成物の分子量に関する予測を行う、
    　請求項１から請求項１２のいずれか１項に記載のポリエステル生産システム。
  14. 　前記学習部は、前記反応条件情報と前記反応の反応時間ごとの前記分子量情報とに基づいて機械学習を行うことで、前記反応の反応速度が更新された前記学習済みモデルを生成し、
    　前記演算部は、前記反応速度を用いて、前記反応中の生成物の分子量に関する予測を行う、
    　請求項１３に記載のポリエステル生産システム。
  15. 　分子量変化を伴う反応によってポリエステルを生産するポリエステル生産方法であって、
    　記憶部が、前記反応の反応条件情報の中から選ばれる、少なくとも１つの反応条件情報と、分子量を示す分子量情報とを関連付けた関連情報を記憶する記憶過程と、
    　取得部が、前記反応が行われている反応装置から、前記反応条件情報を少なくとも１つ取得し、前記反応の反応中の任意時間における分子量情報である反応中分子量情報を取得する取得過程と、
    　演算部が、前記反応条件情報、前記反応中分子量情報、および前記関連情報に基づき、反応中の生成物の分子量に関する予測を行う演算過程と、
    　を含む、ポリエステル生産方法。
  16. 　分子量変化を伴う反応によってポリエステルを生産するポリエステル生産システムとしてコンピュータを機能させるためのプログラムであって、
    　前記コンピュータを、
    　前記反応の反応条件情報の中から選ばれる、少なくとも１つの反応条件情報と、分子量を示す分子量情報とを関連付けた関連情報を記憶する記憶部と、
    　前記反応が行われている反応装置から、前記反応条件情報を少なくとも１つ取得し、前記反応の反応中の任意時間における分子量情報である反応中分子量情報を取得する取得部と、
    　前記反応条件情報、前記反応中分子量情報、および前記関連情報に基づき、反応中の生成物の分子量に関する予測を行う演算部と、
    　として機能させる、プログラム。
PCT/JP2021/038463 2021-01-26 2021-10-18 ポリエステル生産システム、ポリエステル生産方法、及びプログラム WO2022163035A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021010016 2021-01-26
JP2021-010016 2021-01-26

Publications (1)

Publication Number Publication Date
WO2022163035A1 true WO2022163035A1 (ja) 2022-08-04

Family

ID=82654332

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/038463 WO2022163035A1 (ja) 2021-01-26 2021-10-18 ポリエステル生産システム、ポリエステル生産方法、及びプログラム

Country Status (1)

Country Link
WO (1) WO2022163035A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024176478A1 (ja) * 2023-02-24 2024-08-29 Dic株式会社 重縮合反応に係る予測を行う方法、情報処理装置、及びプログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62252421A (ja) * 1986-04-18 1987-11-04 ゼネカ　リミテッド ポリエステルの製造法
JP2003076934A (ja) * 2001-09-03 2003-03-14 Tosoh Corp ポリマーの物性予測方法及びそれを用いたプラントの運転制御方法
JP2003313283A (ja) * 2002-04-25 2003-11-06 Japan Science & Technology Corp ポリエステルの製法
JP2017531076A (ja) * 2014-10-01 2017-10-19 アドヴァンスド ポリマー モニタリング テクノロジーズ インコーポレイテッドＡｄｖａｎｃｅｄ Ｐｏｌｙｍｅｒ Ｍｏｎｉｔｏｒｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｅｓ， Ｉｎｃ． 重合化反応の制御のための装置及び方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62252421A (ja) * 1986-04-18 1987-11-04 ゼネカ　リミテッド ポリエステルの製造法
JP2003076934A (ja) * 2001-09-03 2003-03-14 Tosoh Corp ポリマーの物性予測方法及びそれを用いたプラントの運転制御方法
JP2003313283A (ja) * 2002-04-25 2003-11-06 Japan Science & Technology Corp ポリエステルの製法
JP2017531076A (ja) * 2014-10-01 2017-10-19 アドヴァンスド ポリマー モニタリング テクノロジーズ インコーポレイテッドＡｄｖａｎｃｅｄ Ｐｏｌｙｍｅｒ Ｍｏｎｉｔｏｒｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｅｓ， Ｉｎｃ． 重合化反応の制御のための装置及び方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024176478A1 (ja) * 2023-02-24 2024-08-29 Dic株式会社 重縮合反応に係る予測を行う方法、情報処理装置、及びプログラム

Similar Documents

Publication Publication Date Title
Yoo et al. Reinforcement learning based optimal control of batch processes using Monte-Carlo deep deterministic policy gradient with phase segmentation
Sharma et al. A hybrid science‐guided machine learning approach for modeling chemical processes: A review
Zhu et al. Scalable reinforcement learning for plant-wide control of vinyl acetate monomer process
CN111679636B (zh) 生产工艺参数处理的系统、方法和计算机设备
Jin et al. Adaptive soft sensor development based on online ensemble Gaussian process regression for nonlinear time-varying batch processes
Kaneko et al. Development of soft sensor models based on time difference of process variables with accounting for nonlinear relationship
Liu et al. Development of interval soft sensors using enhanced just-in-time learning and inductive confidence predictor
WO2022163035A1 (ja) ポリエステル生産システム、ポリエステル生産方法、及びプログラム
Kaneko et al. Novel soft sensor method for detecting completion of transition in industrial polymer processes
Bogojeski et al. Forecasting industrial aging processes with machine learning methods
Yu et al. An alternative formulation of PCA for process monitoring using distance correlation
Wang et al. Towards machine learning approaches for predicting the self-healing efficiency of materials
He et al. Quality-related locally weighted non-Gaussian regression based soft sensing for multimode processes
Kačur et al. Prediction of temperature and carbon concentration in oxygen steelmaking by machine learning: A comparative study
Du et al. Fault detection and classification for nonlinear chemical processes using lasso and Gaussian process
Himmel et al. Machine learning for process control of (bio) chemical processes
Huang et al. A novel distributed fault detection approach based on the variational autoencoder model
Zhu et al. Dynamic data reconciliation for improving the prediction performance of the data-driven model on distributed product outputs
Lawrence et al. Machine learning for industrial sensing and control: A survey and practical perspective
CN118217778A (zh) 控制气体浓度的方法、装置、设备和存储介质
Huang et al. Mixture discriminant monitoring: A hybrid method for statistical process monitoring and fault diagnosis/isolation
Teng et al. Machine-learned digital phase switch for sustainable chemical production
CN118350262A (zh) 基于机器学习的碳酸锂制备设备参数优化方法及系统
Murakami et al. Reaction engineering with recurrent neural network: Kinetic study of Dushman reaction
Peterson et al. Challenges in data-based reactor modeling: A critical analysis of purely data-driven and hybrid models for a CSTR case study

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21923041

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21923041

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP