Применение нейронных сетей для моделирования и анализа технологических процессов

Представлены три практических примера применения нейронных сетей для производства стирола и установки получения битумов.

Transcript

1. Применение нейронных сетей для моделирования и анализа технологических процессов
2. Представлены три практических примера применения нейронных сетей для производства стирола и установки получения битумов. Нейронные сети выполнены при помощи языка программирования Python + пакет для научных вычислений Anaconda. Практические примеры применения нейронных сетей
3. Задача 1 - Фенилацетилен в стироле Задача 1: выявить факторы, определяющие содержание нежелательной примеси - фенилацетилена (ФА) в товарном стироле и оценить степень их влияния Эта задача – моделирование и аппроксимация сложной зависимости. В качестве входных параметров для обучения нейронной сети взяты (всего 17 параметров): - Параметры реакторного блока (давления, перепад, температуры входа/выхода) - Расходы ЭБ (этилбензола) и водяного пара, кратность разбавления, объемная скорость подачи сырья - Содержание ЭБ и стирола в ЭБ шихте Фенилацетилен
4. Выходной параметр: содержание ФА в товарном стироле, поскольку оно отлично коррелируется с содержанием ФА в углеводородном конденсате: 0 0,0025 0,005 0,0075 0,01 0,0125 0,015 0,0175 0,02 0,0225 0,025 0,0275 0,03 14.06.17 03.08.17 22.09.17 11.11.17 31.12.17 19.02.18 10.04.18 30.05.18 19.07.18 07.09.18 Содержание фенилацетилена, % масс. Углеводородный конденсат Тованый стирол Задача 1 - Фенилацетилен в стироле
5. Структура сети: • 17 входных нейронов; • 1 скрытый слой, содержащий 200 нейронов; • 1 нейрон в выходном слое. Сходимость модели: R2 = 95,1% после 20 часов обучения. Для анализа рассчитаны средние значения входных параметров параметров и построены зависимости влияния на выход ФА в диапазоне значений. Влияние некоторых входных параметров друг на друга также учитывалось. Задача 1 - Фенилацетилен в стироле
6. 0 0,002 0,004 0,006 0,008 0,01 0,012 0 100 200 300 400 500 600 700 800 900 1000 Содержание фенилацетилена, % масс Сходимость модели модель нейронной сети фактические значения Задача 1 - Фенилацетилен в стироле
7. Результаты: Влияние расхода ЭБ (при условии разбавления водяным паром 2,27:1 ) Задача 1 - Фенилацетилен в стироле 0 0,002 0,004 0,006 0,008 0,01 0,012 38 39 40 41 42 43 44 45 46 47 Содержание фенилацетилена, % масс Расход ЭТБ шихты к испарителю Т-204, т/ч При низкой загрузке системы время пребывания увеличивается, скорость реакции дегидрирования стирола в фенилацетилен возрастает
8. Результаты: Влияние разбавления водяным паром на выход фенилацетилена Задача 1 - Фенилацетилен в стироле 0 0,002 0,004 0,006 0,008 0,01 0,012 2 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3 3,1 Содержание фенилацетилена, % масс Масс. соотн.водяной пар:ЭБШ Выявлен оптимум, при котором содержание фенилацетилена минимально
9. Задача 2 – Прогнозирование тренда Входные данные: Расход ЭБ, расход пара на смешение, Т на входе в Т-205, расход пара из Е-205, время. Выходные данные: Т на выходе из Т-205 Обучение было выполнено на тренде 2015-2016 г., сходимость при обучении R2 = 99,9 % Для тестирования было использовано среднее значение нагрузки (42 т/ч) по ЭБ и пару (92,7 т/ч) за 2017-2018 гг. Задача 2: спрогнозировать температурный тренд на выходе теплообменника Т-205 установки стирола по ожидаемой нагрузке. Из-за накопления отложений в трубках эффективность теплообмена падает и температура контактного газа на выходе постепенно повышается.
10. 0 50 100 150 200 250 300 0 500 1000 1500 2000 2500 3000 3500 4000 Т на выходе из Т-205, оС Время, ч х2 Прогноз Факт по тренду 2017-2018 гг. Задача 2 – Прогнозирование тренда Прогноз тренда 2017-2018 гг.
11. Задача 3 - Моделирование процесса получения битума Входные данные: - Параметры технологического режима • Т сырья на выходе из Т-3/1,2 • Расход сырья в колонну К-1 • Т верха колонны К-1 • Разница температур верха и в зоне сепарации колонны К-1 • Т зоны реакции (верх) колонны К-1 • Т зоны реакции (середина) колонны К-1 • Т зоны реакции (низ) колонны К-1 • Т низа колонны К-1 • P верха колонны К-1 (изб) • Расход битума в ПС-2 - Аналитические параметры сырья: • Температура вспышки в открытом тигле, °C • Вязкость условная при 80°С, сек • Плотность при 15°С, кг/м³ • Температура размягчения по КиШ, °C • Изменение температуры размягчения после прогрева, °C Задача 3: смоделировать процесс получения битума, первую линию. Выходные данные: Аналитические параметры битума после ПС-2 • Температура размягчения по КиШ, °C • Глубина проникания иглы при 25 ºС, 0,1мм
12. 0 20 40 60 80 100 120 140 0 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800 850 900 950 1000 1050 1100 1150 КИШ, Пенетрация, оС, мм Время КИШ, факт КИШ, модель Пенетрация, модель Пенетрация, факт Задача 3 - Моделирование процесса получения битума Сходимость модели
13. Результаты: Влияние расхода воздуха (при остальных усредненных параметрах) Задача 3 - Моделирование процесса получения битума 0 20 40 60 80 100 120 900 1100 1300 1500 1700 1900 2100 2300 2500 КИШ, Пенетрация, оС, мм Расход воздуха в колонну К-1, нм3/ч Температура размягчения по КиШ, °C Глубина проникания иглы при 25 ºС, 0,1мм битум Пенетрация снижается интенсивно КИШ снижается незначительно Ошибки модели (шумы)