Проекты

Прогнозирование технологических параметров процессов установки первичной переработки нефти с использованием современных программных средств нейросетевого моделирования (Deductor Studio Academic)

Работа призёра открытой городской научно-практической конференции «Инженеры будущего» в секции «Информационные технологии, программирование, прикладная математика, социальный инжиниринг» среди работ учащихся 10−11 классов

Направление работы: Нейросетевое моделирование
Авторы работы: ГБОУ Школа № 1288
Предметы: Информатика
Классы: 10 класс
Мероприятия: Открытая городская научно-практическая конференция «Инженеры будущего» 2020 года

Актуальность

Важнейшими задачами в нефтепереработке являются управление качеством получаемых нефтепродуктов и соблюдение безопасности. Нефтеперерабатывающие производства являются опасными производственными объектами, так как на них обращаются взрыво- и пожароопасные вещества, поэтому необходимо строго соблюдать технологический режим. Прогнозирование технологических параметров нефтеперерабатывающей установки при помощи нейросетей в режиме реального времени позволяет обеспечить заданное качество выпускаемой продукции и предотвратить аварийные ситуации на производстве. Исследованиями в данной области занимаются на кафедре компьютерно-интегрированных систем в химической технологии РХТУ имени Д. И. Менделеева.

Цель

Выявить зависимость точности прогнозирования от параметров обучения нейронной сети и определить оптимальную структуру и параметры настройки нейросети.

Задачи

1. Проанализировать понятие «нейронная сеть» и принципы обучения и работы нейросетей.

2. Сформировать выборку для обучения нейросети для прогнозирования изменения температуры низа (TIR_0599-2) и температуры верха (TIR_1111-2) вакуумной колонны К-10 в зависимости от расхода верхнего циркуляционного орошения (FIRCAL0978) и дополнительного верхнего циркуляционного орошения (FIRCAH0980) по данным из режимных листов установки ЭЛОУ-АВТ-6.

3. С использованием программы Deductor Studio Academic обучить нейросеть, варьируя параметры обучения сети, а именно: структуру сети (число нейронов в скрытом слое) и скорость обучения.

4. С помощью обученной нейросети провести расчёт технологических параметров и сравнить их с данными из режимных листов. Построить графики зависимостей точности прогнозирования.

5. Сделать выводы о влиянии параметров обучения нейросети на точность прогнозирования и определить оптимальную структуру и параметры настройки нейросети.

Оснащение и оборудование

  • Персональный компьютер

Описание

Автор выполнил теоретический анализ необходимых для выполнения работы понятий, сформировал выборки для обучения нейронных сетей, создал и обучил нейросети в Deductor Studio Academic, анализировал полученные данные, сделал выводы по результатам работы.

Результаты работы/выводы

- В ходе варьирования числа нейронов в одном скрытом слое была выявлена оптимальная структура нейронной сети, а именно 2-10-2, поскольку она имеет наименьшие средние ошибки обучения нейросети, равные 0,0384 для TIR_0599-2 и 0,028 для TIR_1111-2;

- В ходе варьирования числа нейронов в двух скрытых слоях была выявлена оптимальная структура нейронной сети, а именно 2-3-4-2, поскольку имеет наименьшие средние ошибки обучения нейросети, равные 0,034 для TIR_0599-2 и 0,0309 для TIR_1111-2;

- В ходе варьирования скорости обучения нейронной сети выявлено, что наиболее оптимальной скоростью является скорость 0,1, так как при ней были получены наименьшие средние ошибки обучения нейросети, равные 0,0384 для TIR_0599-2 и 0,028 для TIR_1111-2;

- Влияние параметров обучения нейросети на точность прогнозирования разнообразно, исходя из результатов расчёта средней ошибки обучения сети, а на графиках зависимости температур от расходов видно, что точность прогнозирования для ТIR_1111-2 выше, чем для ТIR_0599-2.

Таким образом, нейронные сети обладают хорошей прогнозирующей способностью и позволяют оперативно и с высокой точностью спрогнозировать изменения технологических параметров процессов установки первичной переработки нефти при отклонениях значений управляющих воздействий.

Перспективы использования результатов работы

Прогнозирование технологических параметров нефтеперерабатывающей установки при помощи нейросетей в режиме реального времени позволит обеспечить заданное качество выпускаемой продукции и предотвратить аварийные ситуации на производстве.

Мнение автора

«Процесс исследования был интересен и не слишком сложен.

Я очень рад, что учусь в инженерном классе.

Благодарю организаторов «Инженеров будущего» за возможность поучаствовать в конференции»