Оптимизация содержания седиментов в процессе гидрокрекинга гудрона с использованием методов машинного обучения

Прикладная математика и вопросы управления. 2021. № 1. С. 7–22.

Нужный А. С., Однолько И. С., Глухов А. Ю., Бутырин М. С., Левченко Е. Н., Стариков А. С., Карасев И. В., Лапинова С. А.

Предложена математическая модель для оптимизации работы установки гидрокрекинга

гудрона. Целью моделирования является улучшение экономического эффекта выпуска продук-

ции за счет подбора оптимальных параметров, таких как расход водорода и температура реакто-

ров. В качестве таргетируемого параметра используется показатель седиментов (осадков), опре-

деленных при горячем фильтровании (HFT атмосферного остатка).

Модель предполагает поиск минимального значения функционала с ограничениями, пред-

ставленными в виде штрафа, накладываемого при выходе параметров за рамки допустимых значе-

ний, а также при отклонении таргетируемого параметра от заданного значения. Выполнение алго-

ритма включает в себя два этапа. Первый этап представляет моделирование значения HFT при

заданном состоянии установки при выбранных параметрах температуры и расхода водорода с ис-

пользованием виртуального анализатора, второй этап заключается в решении задачи оптимизации

по подбору управляющих параметров установки. Для первого этапа была построена модель оценки

показателя HFT по технологическим показателям, включающая основные определяющие его фак-

торы, для поиска параметров моделей использовались методы машинного обучения.

В качестве метода оптимизации был выбран алгоритм Пауэлла. Представлены результаты

тестирования модели на реальных данных, предоставленных нефтеперерабатывающим заводом в

г. Бургас в Болгарии. Период исследования включает в себя несколько режимов работы установки,

в частности режимы интенсивной загрузки в период 2018–2019 гг. и низкой загрузки в период 2020 г.

Результаты тестирования модели на реальных данных, представленные в работе, проверены экс-

пертами в области нефтепереработки на предмет соответствия реальным состояниям.

Ключевые слова: машинное обучение, задача оптимизации, machine learning, Penalty function, optimization problem, hydrocracking, sediment content, agregate stability, stochastic gradient descent, Powell's algorithm, atmospheric residue, содержание седиментов, HFT, агрегативная устойчивость, штрафные функции, стохастический градиентный спуск, гидрокрекинг, алгоритм Пауэлла, атмосферный остаток