Разработка нейросетевых виртуальных анализаторов для предсказания показателя текучести расплава порошка полипропилена

Описана разработка виртуальных анализаторов для прогнозирования показателя текучести расплава (ПТР) порошка полипропилена в условиях промышленного производства. Актуальность исследования обусловлена тем, что ПТР является одним из ключевых показателей качества полимера, однако его определение в промышленных условиях, как правило, осуществляется лабораторными методами с временной задержкой. Это ограничивает возможности своевременного контроля и корректировки режима полимеризации. В связи с этим разработаны виртуальные анализаторы, обеспечивающие косвенное определение ПТР по совокупности текущих технологических параметров процесса суспензионной полимеризации. Ключевой задачей исследования является разработка и оценка точности нейросетевых моделей для прогнозирования ПТР порошка полипропилена в различных технологических режимах производства. Рассмотрены два режима: бимодальный режим получения гомополимера и режим синтеза блок-сополимеров. Для построения виртуальных анализаторов были использованы нейронные сети моделей GRU и LSTM, которые могут учитывать временные зависимости технологических данных и нелинейные зависимости процесса суспензионной полимеризации пропилена.

Аффилиация авторов
Певнев Антон Николаевич – аспирант,e-mail: antonpevnev3@gmail.com.
Андреев Олег Валерьевич – д-р хим. наук, проф., заведующий кафедрой неорганической и физической химии, e-mail: o.v.andreev@utmn.ru.
Тюменский государственный университет.
Хасанова Лилия Ниазовна – эксперт, e-mail: lilykhas27@yandex.ru.
Крюков Андрей Олегович – старший менеджер.
Хабибуллин Айрат Раисович – менеджер.
Фокин Дмитрий Евгеньевич – эксперт, подразделение систем усовершенствованного управления технологическими процессами.
ПАО ≪СИБУР Холдинг≫.

Список литературы
1. Paredes B., Moreno J., et al. Evaluation of Bimodal Polyethylene from Chromium Oxide/Metallocene Hybrid Catalysts for High Resistance Applications //Macromolecular Reaction Engineering .2020. 14 (6).
2. Chen X, Liu D, Wang H. Synthesis of Bimodal Polyethylene Using Ziegler-Natta Catalysts by Multiple H2 Concentration Switching in a Single Slurry Reactor // Macromolecular Reaction Engineering. 2010. 4(5). 342 – 346.
3. Cai M., Tian Z., Liu Z, Liu B. A computational fluid dynamics model coupled with ethylene polymerization kinetics for fluidized bed polyethylene reactor // Powder Technology. 2022. Vol. 407, 117647.
4. Henrique V., Ribeiro A. et al. Evolutionary Multi-objective Optimization Design of a Butane Content Soft Sensor //IFAC-PapersOnLine, 2020. Vol. 53, Issue 2, Pp. 7915-7920.
5. Anisha Selva Kala R., Jeraldin Auxillia D., Jessi Flora J. A compact and cost effective GRU flow sensor to estimate propellant flow rate and mixture ratio for payload capacity enhancement in Liquid Propellant Rocket Engines // Flow Measurement and Instrumentation, 2025. Vol. 104.102908.
6. Zhu Y., Zhang C., Zhang R., Gao F. Design of model fusion learning method based on deep bidirectional GRU neural network in fault diagnosis of industrial processes // Chemical Engineering Science. 2025. Vol. 302, Part A. 120884.
7. Ляпков А.А. Современные химические технологии. Производство полиолефинов: Уч. пособие. – М.: КНО-РУС, 2022. – 155 с.
8. Liu J. Developing a soft sensor based on sparse partial least squares with variable selection // Journal of Process Control. 2014. Vol. 24, Is. 7. Pp. 1046-1056.
9. Yuan X., Ge Z., Song Z. Spatio-temporal adaptive soft sensor for nonlinear time-varying and variable drifting processes based on moving window LWPLS and time difference model // Asia-Pac. J. Chem. Eng. 2016. 11: 209–219.
10. Yashmin B., Norsic S., Sheibat-Othman N., McKenna T. Polymerization of Ethylene in the Gas Phase - A new combined hardware and software tool // Journal of Chemical Engineering. 2022. 100.
11. Marques F.H., Alvarez L.A. Advanced process control system with MPC as a new approach for layer of protection analysis // Journal of Loss Prevention in the Process Industries, Vol. 83. 2023.104993.
12. Muhammad D., Ahmad Z., Aziz N. Modeling of low density polyethylene tubular reactor using nonlinear block-oriented model, Materials Today // Proceedings. 2021. Vol. 42, Part 1, Pp. 39-44.
13. Grimm A. P., Knox S. T., et al. A Versatile Flow Reactor Platform for Machine Learning Guided RAFT Synthesis, Amidation of Poly (Pentafluorophenyl Acrylate) //Macromol. Rapid Commun. 2025. 46. N 23: 2500264.
14. Tang W., Carrette P. et al. Williamson, Prodromos Daoutidis,Automatic decomposition of large-scale industrial processes for distributed MPC on the Shell–Yokogawa Platform for Advanced Control and Estimation (PACE) // Computers & Chemical Engineering. 2023. Vol. 178, 108382.