Оптимизация работы нефтеперерабатывающей установки с помощью нейросетевого прогноза ее экономической эффективности

Обложка

Цитировать

Полный текст

Аннотация

Рассматривается задача повышения экономической эффективности нефтеперерабатывающей установки. Предлагаемый подход основан на построении предиктивной модели, предсказывающей экономическую эффективность, которая строится путем обучения рекуррентной нейросети. Показывается состоятельность предлагаемого подхода на примере установки гидрокрекинга гудрона. Увеличение прогнозной эффективности установки путем подбора ее управляющих параметров позволяет получить их оптимальные значения, максимизирующие предсказываемую экономическую эффективность. Корректность полученных рекомендаций оценивалась экспертами, а также проведением натурного эксперимента.

Об авторах

Антон Сергеевич Нужный

ООО «ЛУКОЙЛ-Инженерные навыки и компетенции»

Автор, ответственный за переписку.
Email: nuzhny@inbox.ru

кандидат физико-математических наук, главный специалист Центра цифрового моделирования, старший научный сотрудник Института проблем безопасного развития атомной энергетики РАН, доцент Национального исследовательского университета МФТИ

Россия, Нижний Новгород

Евгений Николаевич Левченко

ООО «ЛУКОЙЛ-Инженерные навыки и компетенции»

Email: evgeny.n.levchenko@lukoil.com

начальник центра цифрового моделирования

Россия, Нижний Новгород

Марат Радикович Усманов

ООО «ЛУКОЙЛ-Инженерные навыки и компетенции»

Email: usmanovmr@bk.ru

кандидат технических наук, генеральный директор, докторант Российского государственного университета нефти и газа (национального исследовательского университета) им. И.М. Губкина

Россия, Нижний Новгород

Список литературы

  1. Нужный А.C., Однолько И.С., Глухов А.Ю., Пискунов И.В., Вышинский И.М., Левченко Е.Н., Стариков А.С. Использование методов машинного обучения для прогнозирования содержания седиментов (HFT) в неконвертируемом остатке с установки гидрокрекинга гудрона // Нефтепереработка и нефтехимия. Научно-технические достижения и передовой опыт. 2020. № 7. С. 1–8.
  2. Шумихин А.Г., Мусатов Д.А., Власов С.С., Немтин А.М., Плехов В.Г. Опыт разработки и внедрения систем усовершенствованного управления технологическими процессами нефтепереработки на базе виртуальных анализаторов качества // Вестник Пермского нацио нального исследовательского политехнического уни верситета. Химическая технология и биотехнология. 2016. № 2. С. 39–53.
  3. Дозорцев В. М., Ицкович Э.Л., Кнеллер Д.В. Усовершенствованное управление технологическими процес сами (APC): 10 лет в России // Автоматизация в промышленности. 2013. № 1. С. 12-19.
  4. Нужный А.С., Однолько И.С., Глухов А.Ю., Бутырин М.С., Левченко Е.Н., Стариков А.С., Карасев И.В., Ла пинова С.А. Оптимизация содержания седиментов в процессе гидрокрекинга гудрона с использованием методов машинного обучения. // Прикладная математика и вопросы управления. 2021. № 1
  5. Себер Дж. Линейный регрессионный анализ. М.: Мир. 1980. 456 с.
  6. Friedman J.H. Greedy function approximation: a gradient boosting machine // The Annals of Statistics. 2001. Vol. 29. No. 5. P. 1189–1232.
  7. Hastie, T., Tibshirani R., Friedman J. Chapter 15. Random Forests // The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer-Verlag 2009. 746 p.
  8. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обу чение. пер. с анг. А. А. Слинкина. 2-е изд., испр. М.: ДМК Пресс. 2018. Р. 316 – 351.
  9. Нужный А.С. Байесовский подход к регуляризации за дачи обучения сети функций радиального базиса // Ис кусственный интеллект и принятие решений. 2015.№ 2. C. 18–24
  10. Nelder J.A. and Mead R. A simplex method for function min- imization//Computer Journal. 1965. Vol. 7. P. 308 – 313.
  11. Полак Э. Численные методы оптимизации. М.: Мир. 1974.
  12. Филиппов, О. Яндекс ClickHouse. Быстрее некуда // Си стемный администратор. 2017. № 1- 2 (170-171). С. 56-58.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».