Гибридное моделирование (ML + First Principles) для планирования производства на ГПЗ

Задача:

Разработка стратегии быстрого планирования производства для крупного газоперерабатывающего завода (ГПЗ) в условиях открытого рынка, где требуется просчитывать множество сценариев за короткое время. Традиционные строгие модели (First Principles) оказались слишком медленными для оперативного планирования.

Софт и Методы:

• Бенчмарк (Rigorous Model): Aspen HYSYS использовался как эталон ("ground truth") для генерации данных и валидации физики процесса.

• ML-модель: Глубокая нейронная сеть (DNN - Deep Neural Network).

• Объект: ГПЗ Cabiúnas (Petrobras) — крупнейший в Бразилии, с множеством входных потоков и продуктов (товарный газ, NGL, LPG, C5+).

Методология:

1. Подготовка данных: Использовано 1282 набора данных за 3.5 года эксплуатации. Выбрано 44 входных переменных и 18 целевых (расходы продуктов).

2. Редукция размерности: Применен метод главных компонент (PCA), оставивший 22 компонента, объясняющих 95.1% дисперсии.

3. Архитектура: Feed-forward Neural Network (FNN) с 2 скрытыми слоями по 255 нейронов. Оптимизатор Adam, функция потерь MSE.

4. Валидация: Сравнение предсказаний нейросети с результатами строгого симулятора Aspen HYSYS.

Результат:

• Модель показала высокую точность (R² = 0.72, MAE = 0.017) для легких фракций (товарный газ, NGL).

• Для тяжелых фракций (LPG, C5+) погрешность выше, что объясняется зависимостью их выхода от внутренних температурных режимов колонн, которые сложнее уловить в "черном ящике" без гибридного подхода.

• Практическая ценность: Получен инструмент, позволяющий проводить сценарный анализ за секунды вместо часов, необходимых для сходимости сложных схем в HYSYS.

Источник

Источник

Теги

• #AspenHYSYS
• #MachineLearning
• #ГПЗ
• #Optimization
• #HybridModeling