Гибридное моделирование процесса деасфальтизации (SDA) с использованием ML
В академической работе MIT представлен гибридный подход к моделированию процесса деасфальтизации (SDA). Для предсказания выхода деасфальтизата (DAO) в реальном времени была построена стационарная модель процесса, а затем обучена ML-модель. Интеграция ML-модели в систему линейной оптимизации завода позволила увеличить прибыль на 730 000 долларов в год.
Гибридное моделирование процесса деасфальтизации (SDA) с использованием ML
Академическая работа (MIT), имеющая высокую практическую ценность для инженеров НПЗ.
Задача
Предсказание выхода деасфальтизата (DAO) в реальном времени. Лабораторные анализы сырья часто приходят с задержкой, а качество сырья (вакуумного остатка) постоянно меняется.
Методы
Создан гибридный подход. Сначала была построена стационарная модель процесса (в процессном симуляторе) для генерации синтетических данных и заполнения пропусков в исторических данных. Затем на этом массиве была обучена ML-модель.
Результат
ML-модель достигла высокой точности ($R^2 = 0.76$ на тестовых данных). Модель была интегрирована в систему линейной оптимизации завода, что позволило (по расчетам) увеличить прибыль на 730 000 долларов в год за счет более точного смешения сырья.
Источник
Теги
- #MachineLearning
- #SDA
- #Refining
- #HybridModel
- #Optimization