Тип публикации: статья из журнала
Год издания: 2022
Идентификатор DOI: 10.5510/OGP2022SI100665
Ключевые слова: machine learning, hydrocracking, simulation, oil refinery, automation, автоматизация, машинное обучение, гидрокрекинг, моделирование, нефтепереработка
Аннотация: Нефтепереработка сталкивается с рядом вызовов и проблем при работе с данными. Большой объем данных генерируется множеством различных процессов и оборудованием. Данная статья посвящена методам эффективного анализа больших объемов данных на нефтеперерабатывающим предприятии. В частности, исследуется эффективность методов машинного оПоказать полностьюбучения для прогнозирования отказов технологического оборудования процесса гидрокрекинга. Машинное обучение, как важный элемент цифровизации, позволяет успешно решать многие производственные задачи. В статье описано применение некоторых алгоритмов машинного обучения для решения задач классификации и прогнозирования отказов технологического оборудования гидрокрекинга, возникающих при переработке нефти и производстве дизельного топлива. Рассмотрено применение методов случайного леса, анализа главных компонент и настройки гиперпараметров. Сравнивается эффективность применения этих методов на основе параметра точности (Accuracy). Показано, что комбинация данных методов позволит повысить точность модели на 2%. The oil refining industry is facing several challenges and issues in data handling. A large amount of data is generated by many different processes and equipment. This article is devoted to methods for efficient analysis of large amounts of data in an oil refinery. In particular, the effectiveness of machine learning methods for predicting failures of process equipment in the hydrocracking process is investigated. Machine learning, as an important element of digitalization, allows us to successfully solve many production problems. The article describes the application of some machine learning algorithms for solving problems of classifying and predicting failures of hydrocracking process equipment that occur during oil refining and diesel fuel production. The application of random forest methods, principal component analysis and hyperparameter tuning is considered. The effectiveness of these methods is compared on the basis of the Accuracy parameter. It is shown that the combination of these methods will improve the accuracy of the model by 2%.
Журнал: Научные труды НИПИ Нефтегаз ГНКАР
Выпуск журнала: №S1
Номера страниц: 12-20
ISSN журнала: 22186867
Место издания: Баку
Издатель: Научно-исследовательский проектный институт нефти и газа "НефтеГаз"