康嘉麟 / 國立中正大學；莊曜禎 / 逢甲大學；姚遠、汪上曉 / 國立清華大學
化學工程師的任務橫跨研發、設計與營運，決策同時受守恆關係、設備限制、操作安全與市場需求約束。人工智慧由深度學習演進至大型語言模型，分別對應生產管理、製程與設備設計及研發三類任務，本文以製程控制、生產排程、分子性質預測與工程代理四條應用鏈作為產業說明代表；四者的資料結構與可接受的自主程度不同，適用的模型角色、工程輸出與必要驗證也不相同。本文依序介紹四條應用鏈的方法與本團隊的研究及工業案例，並指出目前AI仍不能保證物理與工程限制的一致性，各項應用皆需工程師審查與最終核准；本團隊的研究亦由StS狀態觀測延伸至長時域數位孿生、HDPE AI-MPC、IP-TDQN工業排程、Sigma-Profile代理模型與Aspen Plus/EDR/HAZOP工程代理，形成由製程資料到工程知識的連續路徑。未來可望以大型語言模型串接各項AI工具，實現跨應用的資訊互通，並完整記錄決策歷程以利追溯與稽核。
【內文精選】
大型語言模型在化工工程的落地應用
傳統專家系統的規則可查核，但知識取得與維護成本高；LLM能解讀自然語言需求並生成步驟，卻不保證單位、物性、守恆與設備規範正確。因此如圖三所示，完整的工程師在迴路工程(Loop Engineering)代理需由LLM負責意圖理解與工作編排，Model Context Protocol (MCP)連接專業軟體，操作技能Skills保存版本化的工程程序，工程師則設定限制、審查結果並保留最終核准權；後續Aspen Plus Copilot、EDR換熱器與HAZOP三個案例均屬此架構的具體實作。目前開始有不少文獻開始討論LLM在工程設計的應用。Kang等開發Aspen Plus Copilot以42個受控工具支援元件搜尋、Flowsheet建立、物性方法配置、求解及結果擷取。
圖三、工程師在迴路的大型語言模型工程代理。LLM負責需求解讀與工具編排，MCP連接專業軟體，Skills保存工程程序，工程師保留結果審查與最終核准權
LLM產生符合Schema的工具參數，MCP Server修改Aspen物件並回傳收斂狀態與計算結果；每一步均可由MCP工具建立完整的Aspen製程設計。此架構降低模擬軟體介面與背景知識的操作門檻；且熱力學與單元操作計算均由Aspen Plus完成，可大幅降低LLM的幻覺風險。
殼管式換熱器設計同時受熱負荷、Overdesign Ratio、兩側壓降、可製造性及流體誘發振動限制。簡等人透過LLM操作Aspen EDR並套用於53個涵蓋五類流體情境的案例，比較LLM-only、MCP及MCP+Skill三種配置：LLM-only僅通過1例(1.9%)，OD%偏離-89%至+252%；接入EDR後通過49例(92.5%)；加入Skills後通過52例(98.1%)，OD%均在0~3%，振動違反率0%，平均迭代由6次降至3次。性能提升主要來自分層搜尋（先決定Shells in Series/Parallel等架構級變數，再調管長、管數與擋板）以及對振動機制與軟體狀態陷阱的處理知識；AI代理並可將設計經驗凝結為可更新的Skills供後續設計沿用。
HAZOP要求對每個節點與偏差組合建立完整原因–結果–保障措施–建議鏈。若直接把P&ID圖片交給LLM，設備連接與流向容易遺失；團隊亦有開發透過LLM解析圖紙設備、儀表與管線資訊以保留拓樸，再以AI代理(AI Agent)逐一枚舉節點×偏差組合與知識圖譜，基於原因清單、規劃及跨列情境記憶自動化產生完整的HAZOP工作表 ---以上為部分節錄資料，完整內容請見下方附檔。
★本文節錄自《工業材料雜誌》477期，更多資料請見下方附檔。