Application de la vision par ordinateur aux procédés de cristallisation pharmaceutiques
Suivi par imagerie in situ de la taille et de la forme des cristaux, ainsi que de la cinétique de la polymorphisation
Programme
- Accélérer les procédés de cristallisation R&D
- Approfondir la compréhension des procédés de cristallisation
La segmentation et la classification d'images basées sur l'apprentissage profond ont été proposées pour la mesure in situ de la taille et de la forme des microcristaux, ce qui a montré un grand potentiel d'expansion en tant que technologie analytique de processus (PAT) pour les processus d'écoulement multiphasique chimiques.
Dans cet exposé, une base de données d'images de microparticules chimiques en libre accès (open-CMD) a été créée, contenant des agglomérations de particules (A), des bulles (B), des cristaux (C) et des gouttelettes (D) dans divers scénarios d'écoulement multiphasique chimique. Le réseau neuronal avancé, Mask R-CNN, couplé à 2 500 images étiquetées contenant plus de 50 000 particules étiquetées dans open-CMD, a été entraîné pour renforcer la capacité de segmentation et de classification des particules cibles.
Les résultats de l'entraînement ont indiqué qu'une stratégie d'augmentation des données pouvait améliorer de manière significative la précision des modèles entraînés, qui ont été nommés MicropNet+ et MicropNet selon que les données augmentées ont été utilisées pour l'entraînement ou non. Sur la base de la capacité supérieure de MicropNet+, des descripteurs de particules multidimensionnels ont été extraits, et le degré d'agglomération et la distribution de l'agglomération ont été définis et quantifiés. Ensuite, deux procédés classiques d'écoulement multiphase, la cristallisation et l'émulsification, ont été analysés à l'aide du modèle MicropNet+. Le degré d'agglomération et la distribution (Cin A) des cristaux d'acide succinique ainsi que le nombre relatif et le diamètre (Deq) des gouttelettes ont fait l'objet d'une analyse quantitative dans différentes conditions d'exploitation.
Il a été conclu que le modèle MicropNet+ bien entraîné présente une précision et une efficacité élevées dans la segmentation et la classification des microparticules. Enfin, les recherches en cours sur le criblage à haut débit assisté par vision artificielle et l'analyse de scénarios de boues à haute densité seront présentées.
Présentateur
Zhenguo Gao, Ph.D.,
Professeur associé, École d'ingénierie chimique et de technologie, Université de Tianjin
Zhenguo Gao est actuellement professeur associé à l'école d'ingénierie chimique et de technologie de l'université de Tianjin (TJU). Il a travaillé à l'Université de Western Ontario (UWO) en tant qu'assistant de recherche avant de rejoindre la TJU. Zhenguo a obtenu un double doctorat de l'Université de Western Ontario, au Canada, et de l'Université de Tianjin, en Chine, en 2019, puis a rejoint le Centre national de recherche en ingénierie de la technologie de cristallisation industrielle (NERCICT) de la TJU. Les intérêts de recherche de Zhenguo comprennent i) la conception et le contrôle du procédé de cristallisation, en particulier l'intensification et le contrôle de la cristallisation continue, la conception de nouveaux cristalliseurs ; ii) la cristallisation à l'état fondu, y compris la cristallisation en couche et la cristallisation en suspension, en particulier pour les produits chimiques électroniques humides ultrapurs ; iii) la technologie analytique de procédé intelligente, par exemple, l'analyse d'imagerie de procédé basée sur l'IA, etc. Il a publié plus de 60 articles dans des conférences et revues internationales de premier plan, notamment Chemical Engineering Journal, Chemical Engineering Science, Crystal Growth & Design, Engineering, CrystEngComm, Industrial & Engineering Chemistry Research, Separation and Purification Technology, Ultrasonics Sonochemistry, etc. Il a été rédacteur invité de la revue Crystals et examinateur de plusieurs revues internationales, telles que IECR, Crystal Growth & Design, Org. Process. Res. Dev., Pharmaceuticals, etc.
