Моделирование2026-03-05 · 1 мин

Data-Driven моделирование (ML) для планирования производства на ГПЗ (Deep Learning vs First Principles)

Статья рассматривает замену медленных термодинамических моделей на ГПЗ быстрой суррогатной моделью на основе машинного обучения для оперативного планирования. Использованы Python, TensorFlow, Keras и библиотека Optuna. Достигнута средняя абсолютная ошибка 0.017 на тестовой выборке.

MachineLearningPythonProcessOptimizationGasProcessing

Data-Driven моделирование (ML) для планирования производства на ГПЗ (Deep Learning vs First Principles)

Этот материал критически важен для инженеров, сталкивающихся с ограничениями скорости расчета строгих моделей при планировании. Рассматривается кейс крупнейшего газоперерабатывающего завода (ГПЗ) в Бразилии (UTGCAB).

Задача

Замена медленных строгих термодинамических моделей (время расчета сценария оптимизации до 24 часов) на быструю суррогатную модель для оперативного планирования в условиях открытого рынка.

Инструменты

Python (TensorFlow, Keras), библиотека Optuna для гиперпараметров. Исходные данные — история процесса (1282 наблюдения), сверенная с материальным балансом.

Методология

Подготовка данных: Исходный набор из 44 переменных процесса (расходы сырья, параметры режима) был сжат с помощью метода главных компонент (PCA) до 22 компонентов, объясняющих 95.1% дисперсии.
Архитектура нейросети: Использована Deep Forward Neural Network (FNN). Структура: 2 скрытых слоя по 225 нейронов, функция активации, Dropout 20% для предотвращения переобучения.
Оптимизация: Применен оптимизатор Adam, функция потерь — MSE.

Результат

Модель достигла средней абсолютной ошибки (MAE) 0.017 на тестовой выборке.
Высокая точность для товарного газа и NGL, но выявлены сложности с предсказанием выхода C5+ (требует дополнительных признаков конфигурации завода).
Практическая польза: Инженерам показано, как интегрировать исторические данные завода для создания "цифровой тени", работающей в реальном времени, вместо тяжелых симуляций в HYSYS.

Источник

Подготовка данных: Исходный набор из 44 переменных процесса (расходы сырья, параметры режима) был сжат с помощью метода главных компонент (PCA) до 22 компонентов, объясняющих 95.1% дисперсии.

Архитектура нейросети: Использована Deep Forward Neural Network (FNN). Структура: 2 скрытых слоя по 225 нейронов, функция активации, Dropout 20% для предотвращения переобучения.

Оптимизация: Применен оптимизатор Adam, функция потерь — MSE.

Результат

Модель достигла средней абсолютной ошибки (MAE) 0.017 на тестовой выборке.

Высокая точность для товарного газа и NGL, но выявлены сложности с предсказанием выхода C5+ (требует дополнительных признаков конфигурации завода).

Практическая польза: Инженерам показано, как интегрировать исторические данные завода для создания "цифровой тени", работающей в реальном времени, вместо тяжелых симуляций в HYSYS.

Data-Driven моделирование (ML) для планирования производства на ГПЗ (Deep Learning vs First Principles)

Data-Driven моделирование (ML) для планирования производства на ГПЗ (Deep Learning vs First Principles)

Задача

Инструменты

Методология

Результат

Источник

Теги

Data-Driven моделирование (ML) для планирования производства на ГПЗ (Deep Learning vs First Principles)

Data-Driven моделирование (ML) для планирования производства на ГПЗ (Deep Learning vs First Principles)

Задача

Инструменты

Методология

Результат

Источник

Теги