МОДЕЛИРОВАНИЕ ПРОЦЕССА ТВЕРДОКИСЛОТНОГО АЛКИЛИРОВАНИЯ С ИСПОЛЬЗОВАНИЕМ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ

Евгений Анатольевич Симановский, Константин Юрьевич Устюжанин, Николай Анатольевич Руднев, Ришат Рифкатович Шириязданов, Светлана Ринатовна Хафизова, Татьяна Васильевна Смольникова

Аннотация


В настоящее время в большинстве отраслей идет модификация и оптимизация производственных процессов и бизнес-процессов, они становятся более эффективными, экологичными и безопасными. Вместе с улучшением технологии в промышленности широко используются методы, позволяющие повысить эффективность производства с помощью информационных технологий. Эти тенденции называют цифровой трансформацией или цифровизацией производства. Цифровизация производства напрямую связана с построением математических моделей процессов или аппаратов, объединением их в общую автоматизированную саморегулирующуюся систему, которая позволит управлять производством.В работе рассмотрено построение моделей алкилирования изобутана бутан-бутиленовой фракцией на цеолитсодержащих катализаторах с применением нейронных сетей в виде многослойного персептрона и сетей LSTM. Построенные модели в зависимости от параметров процесса (температуры, катализатора, процентного содержания бутиленов в сырье и т.д.) предсказывают состав продукта.Для поиска модели, которая наиболее точно опишет процесс, был проведен ряд экспериментов, отражающий влияние таких факторов, как нормирование, количество эпох обучения, количество слоев и количество нейронов в слое.Было проведено сравнение точности расчета, времени и удобства использования построенных моделей. Надо отметить, что точность и скорость построения моделей существенно зависят от архитектуры использованной нейронной сети. И поскольку пока нет строгих правил и зависимостей архитектуры сети от вида решаемых задач, то точность и качество зависят от опыта исследователя и поставленной задач.Построенные в ходе работы модели алкилирования изобутана олефинами описывают процесс в статике с высокой точностью и не требуют создания сложных физико-химических моделей.Было выявлено, что при повышении эпох обучения, точность предсказания возрастает, но существует риск переобучения модели. Также точность зависит от правильного подбора и расположения слоев и количества нейронов в них. Лучшая точность предсказания состава продукта была достигнута при использовании нейронных сетей, погрешность не превышала 1,71 %, что позволят сделать вывод, о том, что их использование предпочтительно для построения подобных анализаторов качества.

Ключевые слова


алкилирование;машинное обучение;нейронные сети;цеолиты;математическая модель;бутан-бутиленовая фракция;alkylation;machine learning;neural networks;zeolites;mathematical model;butane-butylene fraction;

Полный текст:

PDF

Литература


Chen X., Zhang H., Song Y., Xiao R. Prediction of Product Distribution and Bio-Oil Heating Value of Biomass Fast Pyrolysis // Chemical Engineering and Processing – Process Intensification. 2018. Vol. 130. P. 36-42. DOI: 10.1016/j.cep.2018.05.018.

Ge Z., Song Z., Ding S.X., Huang B. Data Mining and Analytics in the Process Industry: The Role of Machine Learning // IEEE ACCESS. 2017. Vol. 5. P. 20590-20616. DOI: 10.1109/ACCESS.2017.2756872.

Ye Y., Hu T., Zhang C., Luo W. Design and Development of a CNC Machining Process Knowledge Base Using Cloud Technology // The International Journal of Advanced Manufacturing Technology. 2016. Vol. 94. Issue 9-12. P. 3413-3425. DOI: 10.1007/s00170-016-9338-1.

Lalanda P., Morand D., Chollet S. Autonomic Mediation Middleware for Smart Manufacturing // IEEE Internet Computing. 2017. No. 21 (1). P. 32-39. DOI: 10.1109/MIC.2017.18.

Шириязданов Р.Р. Регенерация цеолитсодержащего катализатора алкилирования изобутана бутан-бутеновой фракцией сверхкритическим диоксидом углерода // Сверхкритические флюиды: теория и практика. 2011. Т. 6. № 1. С. 19-24.

Руднев Н.А., Трапезникова Е.Ф., Хафизова С.Р., Смольникова Т.В., Хамзин Ю.А., Шириязданов Р.Р. Разработка кинетической модели процесса алкилирования изобутана олефинами на цеолитсодержащих катализаторах // Химия и технология топлив и масел. 2018. № 4. C. 16-19.

Gers F.A., Schmidhuber J., Cummins F. Learning to Forget: Continual Prediction with LSTM // Neural Computation. 2000. Vol. 12. No. 10. P. 2451-2471. DOI: 10.1162/089976600300015015.

Zhao R., Yan R., Wang J., Mao K. Learning to Monitor Machine Health with Convolution Bi-Directional LSTM Networks // Sensors. 2017. Vol. 17. No. 2. P. 273-290. DOI: 10.3390/s17020273.

Malhotra P., Vig L., Shroff G., Agarwal P. Long Short Term Memory Networks for Anomaly Detection in Time Series // Computational Intelligence, and Machine Learning – 2015: Proceeding of 23rd European Symposium on Artificial Neural Networks. Bruges, Belgium. 2015. P. 89-94.




DOI: http://dx.doi.org/10.17122/ogbus-2020-1-152-169

Ссылки

  • На текущий момент ссылки отсутствуют.


УФА, УГНТУ, 2020