Cilj rada bio je izraditi računalni program koji služi za proračun optimalnog temperaturnog profila hlađenja šaržnog kristalizatora. Kao modelni sustav za istraživanje procesa uzet je kalijev nitrat ...otopljen u vodi. Za izradu matematičkog modela procesa primijenjene su populacijske bilance, odnosno njihova momentna transformacija. Za dobivanje optimalnog temperaturnog profila primijenjena je diskretizacija temperaturnog profila uz globalni algoritam optimizacije. Za provođenje optimizacije primijenjen je genetički algoritam, dok je sustav običnih diferencijalnih jednadžbi rješavan metodom Runge-Kutta 4,5. Funkcija cilja bila je minimiziranje omjera trećeg momenta sekundarnom nukleacijom nastalih kristala i trećeg momenta kristala cjepiva na kraju procesa. U radu je najprije ispitan utjecaj uvjeta zaustavljanja genetičkog algoritma na vrijeme proračuna i vrijednost funkcije. Nakon što je određen optimalni uvjet zaustavljanja, ispitan je utjecaj broja točaka diskretizacije temperaturnog profila na iznos funkcije cilja i potrebno vrijeme proračuna. Ustanovljeno je da je optimalni uvjet za zaustavljanje proračuna kad petnaest članova generacije imaju funkcije cilja koje se ne razlikuju više od tolerancije. Ustanovljeno je da se optimalno rješenje dobiva podjelom temperaturnog profila na osam dijelova. Da bi se ispitala ponovljivost proračuna za optimalne uvjete, proračun je ponavljan devet puta. Optimalni temperaturni profil uspoređen je s linearnim hlađenjem istog trajanja. Rezultati simulacijskih eksperimenata ukazuju na znatno poboljšanje procesa primjenom optimalnog temperaturnog profila naspram linearnog.
Full text
Available for:
IZUM, KILJ, NUK, PILJ, PNG, SAZU, UL, UM, UPUK
Procesna analitička tehnologija (PAT) sve se češće primjenjuje u procesu kristalizacije za kontinuirano praćenje neke od ključnih procesnih veličina i značajki kvalitete proizvoda. Vrlo bitne ...procesne varijable za kristalizaciju hlađenjem su temperatura i koncentracija otopine. Kontinuirano mjerenje koncentracije omogućeno je naprednim in situ spektroskopskim instrumentima. U takve metode spada i prigušena ukupna reflektancija Fourier transformacijske infracrvene spektroskopije (engl. Attenuated Total Reflectance Fourier Transform Infrared Spectroscopy, ATR-FTIR), primijenjena u ovom istraživanju. U ovom radu razvijeni su kemometrijski modeli za kontinuiranu procjenu koncentracije otopine u stvarnom vremenu metodama strojnog učenja. Cilj ovog rada bio je razviti i ispitati modele parcijalne regresije metodom najmanjih kvadrata (engl. Partial Least Squares Regression, PLSR) i modele neuronskih mreža (engl. Neural Networks, NN) za modeliranje ovisnosti koncentracije djelatne tvari, ksilometazolin hidroklorid, u n-butanolu, o temperaturi i spektralnim podatcima dobivenim mjerenjima ATR-FTIR spektrometrom. U radu je provedena predobrada prikupljenih podataka tehnikom MSC (engl. Multiplicative Scatter Correction) te je provedeno skaliranje podataka prema normalizacijama Min-Max i Z-score. Analiziran je broj neurona u prvom i drugom skrivenom sloju, broj skrivenih slojeva, vrsta primijenjenog algoritma učenja (ADAM, NADAM, RMSprop) kao i utjecaj vrste prijenosne funkcije (ReLU, sigmoid, tanh) na kvalitetu razvijenih neuronskih mreža. Razvijeni modeli na sva četiri skupa podataka dali su iznimno dobre rezultate s obzirom na iznose koeficijenta determinacije i srednje kvadratne pogreške. Modelom neuronske mreže dobiveni su koeficijenti determinacije u rasponu vrijednosti od 0,9979 do 0,9989, dok je srednja kvadratna pogreška od 0,0020 do 0,0011. PLSR modelom dobiveni su koeficijenti determinacije od 0,9990 do 0,9995, odnosno srednja kvadratna pogreška od 0,0009 do 0,0005. Dobiveni rezultati pokazali su da predobrada podataka i dodavanje drugoga skrivenog sloja neuronske mreže u ovoj studiji nisu imali velik utjecaj na konačne rezultate. Takav način praćenja i kontrole procesa rezultira efikasnijom proizvodnjom uz smanjenu vjerojatnost pogreške, što u konačnici farmaceutskoj industriji omogućuje brže plasiranje proizvoda na tržište.
Full text
Available for:
IZUM, KILJ, NUK, PILJ, PNG, SAZU, UL, UM, UPUK
Procesna analitička tehnologija (PAT) sve se češće primjenjuje u procesu kristalizacije za kontinuirano praćenje neke od ključnih procesnih veličina i značajki kvalitete proizvoda. Vrlo bitne ...procesne varijable za kristalizaciju hlađenjem su temperatura i koncentracija otopine. Kontinuirano mjerenje koncentracije omogućeno je naprednim in situ spektroskopskim instrumentima. U takve metode spada i prigušena ukupna reflektancija Fourier transformacijske infracrvene spektroskopije (engl. Attenuated Total Reflectance Fourier Transform Infrared Spectroscopy , ATR-FTIR), primijenjena u ovom istraživanju. U ovom radu razvijeni su kemometrijski modeli za kontinuiranu procjenu koncentracije otopine u stvarnom vremenu metodama strojnog učenja. Cilj ovog rada bio je razviti i ispitati modele parcijalne regresije metodom najmanjih kvadrata (engl. Partial Least Squares Regression , PLSR) i modele neuronskih mreža (engl. Neural Networks , NN) za modeliranje ovisnosti koncentracije djelatne tvari, ksilometazolin hidroklorid, u n -butanolu, o temperaturi i spektralnim podatcima dobivenim mjerenjima ATR-FTIR spektrometrom. U radu je provedena predobrada prikupljenih podataka tehnikom MSC (engl. Multiplicative Scatter Correctio n) te je provedeno skaliranje podataka prema normalizacijama Min-Max i Z-score. Analiziran je broj neurona u prvom i drugom skrivenom sloju, broj skrivenih slojeva, vrsta primijenjenog algoritma učenja (ADAM, NADAM, RMSprop) kao i utjecaj vrste prijenosne funkcije ( ReLU , sigmoid , tanh ) na kvalitetu razvijenih neuronskih mreža. Razvijeni modeli na sva četiri skupa podataka dali su iznimno dobre rezultate s obzirom na iznose koeficijenta determinacije i srednje kvadratne pogreške. Modelom neuronske mreže dobiveni su koeficijenti determinacije u rasponu vrijednosti od 0,9979 do 0,9989, dok je srednja kvadratna pogreška od 0,0020 do 0,0011. PLSR modelom dobiveni su koeficijenti determinacije od 0,9990 do 0,9995, odnosno srednja kvadratna pogreška od 0,0009 do 0,0005. Dobiveni rezultati pokazali su da predobrada podataka i dodavanje drugoga skrivenog sloja neuronske mreže u ovoj studiji nisu imali velik utjecaj na konačne rezultate. Takav način praćenja i kontrole procesa rezultira efikasnijom proizvodnjom uz smanjenu vjerojatnost pogreške, što u konačnici farmaceutskoj industriji omogućuje brže plasiranje proizvoda na tržište.
Process analytical technology (PAT) is increasingly applied in the crystallization process for continuous monitoring of some of the key process parameters and product quality features. Very important process variables for cooling crystallization are the temperature and concentration of the mother liquor. Continuous measurement of concentration is made possible by advanced in situ spectroscopic instruments. Attenuated total reflectance Fourier transform infrared spectroscopy (ATR-FTIR), used in this work belongs to such methods. The calibration model which estimates the concentration of the solution in real time can be developed using machine-learning methods. The aim of this work was to develop and analyse partial least squares regression (PLSR) and neural network models for modelling the dependence of the concentration of the active ingredients, xylometazoline hydrochloride in n -butanol, on temperature and spectral data obtained by measurements with an ATR-FTIR spectrometer. In this work, pre-processing of the collected data was performed with MSC technique ( multiplicative scatter correction ), Min-Max and Z-score normalization; the number of neurons in the first and second hidden layers, the number of hidden layers, the type of learning algorithm applied (ADAM, NADAM, RMSprop), and the influence of the type of transfer function ( ReLU , sigmoid , tanh ) on the quality of the developed neural networks were analysed. Considering values of coefficient of determination and mean square error, developed models gave very good results on all four datasets. The neural network model gave coefficients of determination in the range of values from 0.9979 to 0.9989, and the mean square error from 0.0020 to 0.0011. With the PLSR model, coefficients of determination from 0.9990 to 0.9995, and mean square errors from 0.0009 to 0.0005, were obtained.
Obtained results showed that the pre-processing of the data and the addition of a second hidden layer of the neural network in this study did not have a major impact on the final results. This type of monitoring and control of the process would lead to more efficient production with a lower probability of error, enabling the pharmaceutical industry to bring products to market faster.
Full text
Available for:
IZUM, KILJ, NUK, PILJ, PNG, SAZU, UL, UM, UPUK
Raman spectroscopy is a useful tool for polymorphic form-monitoring during the crystallization process. However, its application to solute concentration estimation in two-phase systems like ...crystallization is rare, as the Raman signal is influenced by various changing factors in the crystallization process. The development of a robust calibration model that covers all variations is complex and represents a major challenge for the implementation of Raman spectroscopy for in-line monitoring and control of the solution crystallization process. This paper describes the development of a Raman-based calibration model for estimating the solute concentration of the active pharmaceutical ingredient ceritinib. Several different calibration approaches were tested, which included both temperature and spectra of clear solutions and slurries/suspensions. It was found that the concentration of the ceritinib solution could not be accurately predicted when suspended crystals were present. To overcome this challenge, the approach was enhanced by including additional variables related to crystal size and solid concentration obtained via in-line process microscopy (chord-length distribution percentiles D10, D50 and D90) and turbidity. Partial least squares regression (PLSR) and artificial neural network (ANN) models were developed and compared based on root mean square error (RMSE). ANN models estimated the solute concentration with high accuracy, with the prediction error not exceeding 1% of the nominal solute concentration.
