«Application of Artificial Intelligence in process simulation tool» (LAPSE, 2025)

В статье «Application of Artificial Intelligence in process simulation tool», опубликованной на платформе LAPSE в 2025 году, рассматривается вопрос, как интегрировать методы искусственного интеллекта в традиционные процессные симуляторы для нефтехимии, газопереработки и нефтепереработки. Основная задача, которую решают авторы, заключается в ускорении расчётов, улучшении сходимости и повышении качества оптимизационных решений за счёт использования обучаемых моделей рядом с классическими термодинамическими и гидродинамическими описаниями. Рассматриваются сценарии, где AI‑модели выступают как метамодели сложных блоков (например, реакторов или колонн) внутри Aspen HYSYS или AVEVA PRO/II, а также как предиктивные модули, поддерживающие операторов в реальном времени. Программно статья опирается на стандартные коммерческие симуляторы, дополняемые внешними AI‑компонентами. Авторы обсуждают, как модель на основе нейронной сети или других ML‑алгоритмов может обучаться на результатах расчётов Aspen HYSYS или PRO/II, а затем использоваться для замещения наиболее тяжёлых по вычислительным затратам частей схемы. Это особенно актуально в случаях, когда в симулятор встроены сложные реакционные модели или детальные модели многофазных потоков, требующие большого времени расчёта при многократной оптимизации. В статье показано, как связать AI‑модель с объектно‑ориентированной схемой через стандартные интерфейсы обмена данными, а также как обеспечить согласованность единиц измерения, термодинамических пакетов и структур входных/выходных переменных. Такое интегрированное решение хорошо соответствует задачам Reaction 2025 по созданию «умных» симуляторов. Важной частью работы является обсуждение выбора термодинамических пакетов и физических моделей, на фоне которых обучается и работает AI‑модель. Авторы подчёркивают, что AI‑модель не отменяет необходимости корректного выбора уравнения состояния, модели активности и корреляций для массообмена; она лишь ускоряет и упрощает использование уже откалиброванных моделей. Например, если для газоконденсатной системы выбран пакет Peng–Robinson в Aspen HYSYS, то именно на расчётах с этим пакетом обучается метамодель, и смена термодинамики требует переобучения. В статье обсуждаются стратегии отбора обучающих выборок, обеспечение репрезентативности режимов работы установки и контроль экстраполяции AI‑модели за пределы применимости исходного симулятора. Это важно для инженеров, чтобы не допустить некорректных решений в проектировании и оптимизации. Итоговый результат работы состоит в демонстрации того, что AI‑подходы могут быть органично встроены в процессные симуляторы, не заменяя, а дополняя классические методы моделирования. Авторы показывают, что при правильной постановке задачи AI‑модели сокращают время расчётов, улучшают сходимость при сложных нелинейных задачах и позволяют проводить многокритериальные оптимизации, ранее практически недостижимые в разумные сроки. Для инженеров, работающих над реакционными и разделительными процессами в нефтепереработке, это открывает новые возможности по исследованию чувствительности и сценарному анализу в рамках Reaction 2025.

Источник: https://psecommunity.org/wp-content/plugins/wpor/includes/file/2506/LAPSE-2025.0436-1v1.pdf

#AI #ProcessSimulation #LAPSE2025 #AspenHYSYS #PROII