Anwendung von Computer Vision in pharmazeutischen kristallisation prozessen
In-situ-Bildverfolgung von Kristallgröße, Form und polymorpher Umwandlungskinetik
Übersicht der Inhalte
- Beschleunigen Sie die kristallisation prozesse F&E
- Vertiefen Sie das Verständnis von kristallisation prozessen
Eine auf Deep Learning basierende Bildsegmentierung und -klassifizierung wurde für die In-situ-Messung der Größe und Form von Mikrokristallen vorgeschlagen, die ein großes Potenzial für die Ausweitung als prozessanalysetechnologie (PAT) auf chemische Mehrphasenströmungsprozesse aufweist.
In diesem Vortrag wurde eine frei zugängliche Bilddatenbank für chemische Mikropartikel (open-CMD) erstellt, die Partikelagglomerationen (A), Blasen (B), Kristalle (C) und Tröpfchen (D) in verschiedenen Szenarien chemischer Mehrphasenströmungen enthält. Das fortschrittliche neuronale Netzwerk Mask R-CNN wurde in Verbindung mit 2.500 markierten Bildern mit mehr als 50.000 markierten Partikeln in open-CMD trainiert, um die Fähigkeit zur Segmentierung und Klassifizierung von Zielpartikeln aufzubauen.
Die Trainingsergebnisse wiesen darauf hin, dass eine Strategie zur Datenerweiterung die Genauigkeit der trainierten Modelle erheblich verbessern konnte. Die Modelle wurden MicropNet+ und MicropNet genannt, je nachdem, ob die erweiterten Daten für das Training verwendet wurden oder nicht. Auf der Grundlage der überlegenen Fähigkeiten von MicropNet+ wurden mehrdimensionale Partikeldeskriptoren extrahiert und der Grad der Agglomeration und die Agglomerationsverteilung definiert und quantifiziert. Anschließend wurden zwei klassische Mehrphasenströmungsprozesse, die Kristallisation und die Emulgierung, mit Hilfe des MicropNet+ Modells analysiert, wobei der Agglomerationsgrad und die Verteilung (Cin A) der Bernsteinsäurekristalle sowie die relative Anzahl und der Durchmesser (Deq) der Tröpfchen unter verschiedenen Betriebsbedingungen quantitativ analysiert wurden.
Es wurde festgestellt, dass das gut trainierte MicropNet+ Modell eine hohe Genauigkeit und Effizienz bei der Segmentierung und Klassifizierung von Mikropartikeln aufweist. Abschließend werden die laufenden Forschungsarbeiten zum computergestützten Hochdurchsatz-Screening und zur Analyse von High-Density-Slurry-Szenarien vorgestellt.
Präsentator
Zhenguo Gao, Ph.D.,
Außerordentlicher Professor, Fakultät für Chemieingenieurwesen und Technologie, Universität Tianjin
Dr. Zhenguo Gao ist derzeit außerordentlicher Professor an der School of Chemical Engineering and Technology der Tianjin University (TJU). Bevor er zur TJU kam, arbeitete er als wissenschaftlicher Mitarbeiter an der University of Western Ontario (UWO). Zhenguo erhielt 2019 einen doppelten Doktortitel von der University of Western Ontario, Kanada, und der Tianjin University, China, und kam dann zum National Engineering Research Center of Industrial Crystallisation Technology (NERCICT) der TJU. Zhenguos Forschungsinteressen umfassen i) die Entwicklung und Steuerung von Kristallisationsprozessen, insbesondere die Intensivierung und Steuerung der kontinuierlichen Kristallisation und die Entwicklung neuartiger Kristallisatoren; ii) die Schmelzkristallisation, einschließlich der Schichtkristallisation und der Suspensionskristallisation, insbesondere für hochreine nasse elektronische Chemikalien; iii) intelligente prozessanalytische Technologien, z.B. KI-basierte Prozessbildanalyse, usw. Er hat mehr als 60 Artikel in hochrangigen internationalen Konferenzen und Zeitschriften veröffentlicht, darunter Chemical Engineering Journal, Chemical Engineering Science, Crystal Growth & Design, Engineering, CrystEngComm, Industrial & Engineering Chemistry Research, Separation and Purification Technology, Ultrasonics Sonochemistry, usw. Er war Gastherausgeber für die Zeitschrift Crystals und Gutachter für mehrere internationale Zeitschriften, z.B. IECR, Crystal Growth & Design, Org. Process. Res. Dev., Pharmaceuticals usw.
