Automating pH adjustment by robotic workflow and supervised machine learning

Abstract

In vielen industriellen Prozessen ist es unerlässlich, pH-Werte zu adjustieren. Während großtechnische Lösungen, beispielsweise in der Abwasserneutralisierung, oft über PID-Regler realisiert werden, ist dieser Ansatz bei kleinen Batches im Milliliter-Bereich nicht zielführend. Häufig liegen multigepufferte, polyprotische Systeme vor, die mathematisch nicht über die Henderson-Hasselbalch-Gleichung beschrieben werden können.In den letzten Jahren hat die Zahl der Publikationen, die sich direkt oder indirekt mit dem Thema “maschinelles Lernen” oder “künstliche Intelligenz” beschäftigen, stark zugenommen. Daher lag es nahe, diesen Ansatz auch für die effiziente Einstellung des pH-Wertes zu verwenden. In der vorliegenden Diplomarbeit wird ein rein datenbasierter Lösungsansatz präsentiert, um pH-Werte von multigepufferten, polyprotischen Puffersystemen mit größtmöglicher Effizienz hinsichtlich Mess- und Regelungsaufwand zu bewerkstelligen. Die Software wurde in der Programmiersprache Python geschrieben. Sowohl die Programmierung als auch die Optimierung der Modelle erfolgte auf einem PC mit 16 GB RAM und einem 3.4 GHz Prozessor. Als Modelle wurden künstliche neuronale Netzwerke, random forest, lineare Regression und der Gaussprozess herangezogen und auf Ihre Leistungsfähigkeit überprüft, die vorliegende Problemstellung zu lösen. Zur Feststellung der Effizienz eines Modells wurden die benötigten Iterationen bis zum Erreichen des Zielwertes herangezogen. Die erfolgreiche Adjustierung des pH-Wertes gelang mit allen erwähnten Modellen, wobei sich der Gaussprozess als effizientestes Modell herausstellte.

The adjustment of pH value is an important task in many industrial processes, such as in life science research or formulated products. Several relevant buffer systems consist of mixtures of multiple-buffering substances. While single-buffer systems can be described via the Henderson-Hasselbalch equation, there is no known mathematical method to directly resolve the calculation of pH for multi-buffered polyprotic systems. The objective of this work is to provide an approach that is different to the common practice of pH adjustment like manual adjustment or adjustment by PID controllers.Since the application of machine learning for chemical challenges is a topic of great current interest, we hypothesize that it might also be beneficial for predicting and adjusting the pH value of complex samples. This master thesis provides a purely data driven machine-learning approach in form of an iterative closed-loop optimization process for pH adjustment of multi-buffered polyprotic systems. The software was written in Python. A personal computer with 16 GB RAM and a 3.4 GHz Processor was used for both, the programming and optimization work. Commonly used surrogate models, like artificial neural network, random forest, linear regression and Gaussian process were tested in order to compare the overall performance on solving the present task. The benchmarking was based on the efficiency of titration towards the pre-defined target pH value. Efficiency means a small number of iteration cycles in this case. All models were able to solve the problem, with the Gaussian process requiring the least number of loop runs.