Тип публикации: статья из журнала
Год издания: 2025
Идентификатор DOI: 10.47813/2782-5280-2025-4-4-2024-2032
Ключевые слова: petroleum coke, structural type, machine learning, classification, multilayer perceptron, gradient boosting, digital twin, delayed coking, predictive model, industrial data, нефтяной кокс, структурный тип, машинное обучение, классификация, многослойный перцептрон, градиентный бустинг, цифровой двойник, замедленное коксование, прогнозная модель, промышленные данные
Аннотация: В условиях роста доли тяжёлого сырья в нефтепереработке целенаправленное получение нефтяного кокса с заданной структурой является ключевой задачей для максимизации экономической отдачи. Существующие методы визуальной классификации обладают субъективностью и значительным временным лагом, что исключает возможность оперативного управлПоказать полностьюения процессом. В данной работе проведён сравнительный анализ эффективности трёх методов машинного обучения: многослойного персептрона, метода опорных векторов и градиентного бустинга для решения задачи многоклассовой классификации структурного типа кокса на основе промышленных данных установки замедленного коксования. Использован массив исторических данных, включающий параметры сырья и технологического режима. Результаты показали, что наивысшую точность (98,5%) и сбалансированность метрик демонстрирует нейросетевая модель, превзойдя метод градиентного бустинга (96,7%) и метод опорных векторов (91,3%). Выявлены и ранжированы ключевые факторы, влияющие на формирование структуры: максимальная температура, коксуемость сырья и скорость нагрева. Разработанная модель предлагается в качестве интеллектуального модуля для интеграции в архитектуру гибридного цифрового двойника технологического процесса, обеспечивая переход к предиктивному управлению качеством продукции. Under the conditions of increasing share of heavy feedstock in oil refining, the targeted production of petroleum coke with a specified structure is a key task for maximizing economic returns. Existing methods of visual classification are subjective and have a significant time lag, which precludes the possibility of real-time process control. This work presents a comparative analysis of the effectiveness of three machine learning methods: multilayer perceptron, support vector machine, and gradient boosting for solving the multiclass classification problem of coke structural type based on industrial data from a delayed coking unit. A historical data array including feedstock and process regime parameters was used. The results showed that the multilayer perceptron achieved the highest accuracy (98,5%) and balanced metrics, outperforming the gradient boosting method (96,7%) and the support vector machine (91,3%). Key factors influencing structure formation were identified and ranked: maximum temperature, feedstock coking propensity (Conradson carbon residue), and heating rate. The developed model is proposed as an intelligent module for integration into the architecture of a hybrid digital twin of the technological process, ensuring a transition to predictive quality control of the product.
Журнал: Информатика. Экономика. Управление
Выпуск журнала: Т.4, №4
Номера страниц: 2024-2032
ISSN журнала: 27825280
Место издания: Красноярск
Издатель: Красноярский государственный аграрный университет, ООО "Сибирский научный центр ДНИТ"