Руководство: Оптимизация установки висбрекинга с использованием Petro-SIM и ML
В статье рассматривается оптимизация работы установки висбрекинга с использованием KBC Petro-SIM и алгоритмов машинного обучения. Целью является минимизация вязкости котельного топлива и максимизация выхода светлых нефтепродуктов. Для оптимизации использовались Decision Tree Regression и генетические алгоритмы.
Руководство: Оптимизация установки висбрекинга с использованием Petro-SIM и ML
Задача
Оптимизация работы промышленной установки висбрекинга (Visbreaker) для минимизации вязкости котельного топлива и максимизации выхода светлых нефтепродуктов. Сложность заключалась в неопределенности состава сырья и условий в печи.
Софт и Версия
- Симулятор: KBC Petro-SIM (специализированный софт для нефтепереработки).
- Дополнительно: Aspen EDR (для детального расчета печи) и MATLAB (для ML-алгоритмов).
Методология
-
Создание цифрового двойника: В Petro-SIM была построена строгая модель установки, откалиброванная по реальным данным (Test Run) с НПЗ в Тегеране. Погрешность модели после настройки составила менее 3%.
-
Генерация данных: С помощью симулятора сгенерировано 360 сценариев работы, варьируя состав сырья, температуру на входе в печь и давление.
-
ML-оптимизация: Использованы алгоритмы Decision Tree Regression (DTR) и Генетические алгоритмы (GA) для поиска оптимума.
-
Ключевые переменные: Температура в сокере (Soaker) и печи, расход "cutter stock" (разбавителя).
Результат
- Определены оптимальные условия, позволяющие снизить потребление топлива печью при сохранении спецификации по вязкости мазута.
- Показано, как интегрировать Petro-SIM с внешними оптимизаторами для решения задач, где встроенные солверы могут застревать в локальных минимумах.
Источник
Теги
- #PetroSIM
- #Visbreaking
- #Refinery
- #Optimization
- #AspenEDR