Публикации автора

Представленная разработка способствует внедрению цифровых технологий в описание процессов нефтехимических предприятий, отвечает потребностям промышленности в быстрых и точных расчетах, сокращает зависимость от дорогостоящих экспериментов и зарубежного программного обеспечения, что делает его актуальным как для науки, так и для реального сектора экономики. Целью исследования является способ расчета вязкости широкой фракции углеводородов с использованием нейронных сетей для повышения точности и эффективности прогнозирования по сравнению с традиционными методами и реализация в виде специализированного программного комплекса. Для оптимизации процесса обучения и ускорения вычислений исходная задача была разделена на несколько более простых подзадач с уменьшенной размерностью параметров, предложенная декомпозиция значительно сократила объем вычислений, что способствует снижению параметричности построенного многослойного полносвязного персептрона и понижению проблематичности процедуры обучения моделей. Для автоматизации сбора информации для обучения многослойного полносвязного персептрона был разработан вспомогательный программный комплекс, формирующий требуемые наборы данных в Unisim. Все построенные нейронные сети обучались на выборках, которые разбивались на обучающее, валидационное и тестовое подмножества по 70, 15 и 15 % от исходного набора соответственно. Потери при обучении не превысили 10-6 при отсутствии переобучения. Работоспособность полученного многослойного полносвязного персептрона дополнительно проверили на производственных данных, не использовавшихся при обучении. Реализация метода осуществлена в виде оригинального специализированного программного комплекса, в котором используется согласованная работа нескольких обученных нейронных сетей для точного расчета вязкости углеводородных смесей. Разработанный программный комплекс доказал свою эффективность и надежность, представляя собой мощный инструмент для расчета вязкости широкой фракции углеводородов при моделировании процессов нефтехимии.

В целях предупреждения возникновения аварийной ситуации на предприятиях нефтяной и газовой промышленности необходимо применять системы регулирования, автоматизации и сигнализации. В этой связи в последнее время все большую популярность набирают технологии искусственного интеллекта. Особенный интерес представляют нейронные сети. Для реализации задачи регулирования, автоматизации и прогнозирования технологических процессов нефтяной промышленности возможно применение нейросетевого моделирования химико-технологических процессов. Приведены примеры использования нейросетевого моделирования на практике. Представлены результаты нейросетевого моделирования установки замедленного коксования одного из действующих предприятий. Смоделирована установка замедленного коксования в программном комплексе UniSim Design, которая позволила получить исходный массив данных для нейронной сети. Нейросеть была построена в программе MatLab, создан код программы. Представлены графики погрешности, регрессии. Приведен анализ результатов, представленных на графиках регрессии и погрешности. В результате тестирования модели было получено минимальное расхождение экспериментальных и предсказанных данных, что говорит об адекватности нейросетевой модели. Также было произведено дополнительное тестирование программы. Представлены результаты обучения и тестирования модели. Полученные результаты в дальнейшем могут быть использованы для создания программ на разных уровнях управления, т. к. модель позволяет оценить количество потерь в период работы установки при определенном расходе питательной воды, подаваемой на установку в качестве турболизатора.