Тип публикации: статья из журнала
Год издания: 2025
Идентификатор DOI: 10.47813/2782-2818-2025-5-4-1028-1036
Ключевые слова: petroleum coke, property prediction, machine learning, multiple regression, multilayer perceptron, gradient boosting, support vector machine, digital twin, delayed coking, нефтяной кокс, прогноз свойств, машинное обучение, множественная регрессия, многослойный персептрон, градиентный бустинг, метод опорных векторов, цифровой двойник, замедленное коксование
Аннотация: В рамках проекта по созданию гибридного цифрового двойника (PI-ML) для управления процессом замедленного коксования критически важным является переход от классификации типа продукта к количественному прогнозу его ключевых потребительских свойств. Данная работа посвящена сравнительному анализу эффективности методов машинного обучениПоказать полностьюя для решения задачи множественной регрессии четырех критически важных свойств нефтяного кокса: пористости, содержания серы, прочности и истинной плотности. На основе исторических промышленных данных, включающих параметры сырья и технологического режима, были обучены, настроены и протестированы три модели: искусственная нейронная сеть - многослойный персептрон, метод опорных векторов для регрессии и градиентный бустинг. Результаты, полученные на независимой тестовой выборке, показали, что нейросетевая модель превосходит остальные, обеспечивая средний коэффициент детерминации равный 0,93. Все методы продемонстрировали высокую практическую пригодность, подтвердив наличие устойчивых статистических закономерностей. Разработанные модели формируют ключевой интеллектуальный модуль прогнозного контроля качества в архитектуре цифрового двойника, обеспечивая основу для систем предиктивного управления и оптимизации технологического режима. Within the framework of a project to create a hybrid digital twin (PI-ML) for managing the delayed coking process, the transition from product type classification to the quantitative prediction of its key consumer properties is critically important. This work is devoted to a comparative analysis of the effectiveness of machine learning methods for solving the multiple regression task of four critical properties of petroleum coke: porosity, sulfur content, strength, and true density. Based on historical industrial data, including feedstock parameters and technological regime data, three models were trained, tuned, and tested: an artificial neural network (multilayer perceptron), support vector machine for regression, and gradient boosting. The results obtained on an independent test set showed that the neural network model outperforms the others, achieving an average coefficient of determination (R²) of 0.93. All methods demonstrated high practical suitability, confirming the presence of stable statistical patterns. The developed models form the core intelligent module for predictive quality control in the digital twin architecture, providing a foundation for predictive control systems and optimization of the technological regime.
Журнал: Современные инновации, системы и технологии
Выпуск журнала: Т.5, №4
Номера страниц: 1028-1036
ISSN журнала: 27822818
Место издания: Красноярск
Издатель: ООО "Сибирский Научный Центр ДНИТ"