基于机器学习框架的辊压工艺中带状物质量优化与防分裂策略研究

　　本综述提出一种集成高斯过程回归（GPR）、数据增强与迁移学习的机器学习框架，有效建模和预测辊压工艺中带状物分裂现象，显著提升带状物密度与厚度的一致性（高R2和低MSE/MAE），为制药干法制粒过程的质量源于设计（QbD）和实时过程分析技术（PAT）控制提供新范式。

　　

Highlights

辊压工艺是一种用于干法制粒生产的粉末处理操作，可在无热或液体粘合剂的情况下制备更致密、易流动的颗粒。它通过两个反向旋转辊在高压下压缩粉末，形成致密且具有内聚性的带状物。此过程增强了粉末床的机械强度并减少了颗粒间空隙。所得颗粒可进一步压制成片剂或填充胶囊。该工艺包含三个主要阶段：混合喂料、压实与带状物形成、以及破碎造粒。

Experimental procedure

本研究使用普渡大学连续制药中试工厂中的干法制粒生产线进行实验。辊压单元为Alexanderwerk WP120，配备两个垂直排列的齿纹辊（直径120 mm，宽度40 mm），混合粉末通过水平螺杆喂料器输入。材料包括作为活性药物成分（API）的对乙酰氨基酚（APAP）和作为赋形剂的微晶纤维素Avicel PH-102。

Results and discussion

以下部分展示模型开发与性能结果，并为深入理解带状物分裂提供对辊压工艺的洞察。模型通过高斯过程回归（GPR）增强的神经网络与迁移学习有效关联辊条件与混合组成，预测带状物密度、厚度和分裂行为。SHAP分析进一步揭示了关键工艺变量（如辊压压力、辊速和API比例）对带状物质量的非线性影响，并确定了可操作的设计空间以优化工艺参数、避免分裂。

Conclusion

我们提出了一种灵活、可扩展且可推广的机器学习方法，用于缓解辊压单元中的带状物分裂。该框架基于Box-Behnken实验设计，通过高斯过程回归（GPR）增强的神经网络与迁移学习建模和预测带状物质量（如密度、厚度和分裂倾向）。SHAP分析提升了模型可解释性，为工艺优化与实时监控提供了理论基础。该方法支持制药干法制粒的闭环控制与质量源于设计（QbD）实施，具有显著的工程应用价值。