Разработка виртуального анализатора по содержанию прекурсоров бензола в сырье риформинга для повышения эффективности управления бензиновой цепочкой установок НПЗ

Современные тенденции развития нефтеперерабатывающих заводов характеризуются переходом от локальной автоматизации к сквозному управлению технологическими цепочками. Традиционный подход к управлению качеством риформата предполагает корректировку параметров процесса непосредственно на установке каталитического риформинга. Однако формирование квалифицированного сырья путем контроля прекурсоров бензола в бензиновых фракциях на стадии фракционирования является более эффективным подходом. Для оценки качества бензиновой фракции в реальном времени рассматривается задача построения межустановочного виртуального анализатора качества (ВА) по углеводородному составу для интеграции в систему усовершенствованного управления технологическим процессом (СУУТП) установки гидрокрекинга. Проведено сравнительное исследование методов построения ВА на основе алгоритмов машинного обучения и выполнена оценка статистической значимости метрик (САО, R2) моделей с применением метода бутстрэппинга (bootstrap resampling). Результаты тестирования разработанного ВА в промышленных условиях подтвердили возможность целенаправленного формирования углеводородного состава сырья риформинга путем управления температурным профилем колонны фракционирования нафты. Предложенный подход к построению СУУТП с ВА для технологической цепочки позволяет повысить гибкость производства, обеспечить непрерывный контроль сырья риформинга и увеличить выход целевого продукта (риформата).

Аффилиация авторов
Саитова Валерия Дмитриевна – студент, e-mail: vl.saitova@mail.ru.
ФГАОУ ВО ≪Омский государственный технический университет≫ .
Штакин Денис Владимирович – канд. техн. наук, младший научный сотрудник, e-mail: shtakin@iacp.dvo.ru.
Торгашов Андрей Юрьевич – д-р техн. наук, проф., главный научный сотрудник, e-mail: torgashov@iacp.dvo.ru.
ФГБУН ≪ Институт автоматики и процессов управления≫ Дальневосточного отделения РАН.

Список литературы
1. Файрузов Д.Х., Бельков Ю.Н., Кнеллер Д.В., Торгашов А.Ю. Система усовершенствованного управления установкой первичной переработки нефти: создание, внедрение, сопровождение // Автоматизация в промышленности. 2013. № 8. С. 3-10.
2. Lu J.Z. Closing the gap between planning and control: Amultiscale MPC cascade approach // Annual Reviews in Control. 2015. Vol. 40. Pp. 3-13.
3. Лаврентьев В.А., Александров И.В., Комогоров А.В., Козлова К.И., Двуреков Я.Е. Восстановление работоспособности систем усовершенствованного управления технологическим процессом // Нефтяное хозяйство. 2023. № 10. С. 87-91.
4. Yamakage S., Kaneko H. Design of adaptive soft sensor based on Bayesian optimization // Case Studies in Chemical and Environmental Engineering. 2022. Vol. 6. 100237.
5. Нужный А.С., Левченко Е.Н., Усманов М.Р. Оптимизация работы нефтеперерабатывающей установки с помощью нейросетевого прогноза ее экономической эффективности // Искусственный интеллект и принятие решений. 2024. № 2. С. 53-61.
6. Rasmussen C.E., Williams C.K.I. Gaussian Processes for Machine Learning. MIT Press: Cambridge, 2006. 248 p.
7. Ахметов С.А., Сериков Т.П., Кузеев И.Р., Баязитов М.И. Технология и оборудование процессов переработки нефти и газа. Недра: СПб., 2006. 871 с.
8. Ahmad I. Quantitative analysis of product quality of naphtha reforming process under uncertain process conditions //Chemical Engineering Communications. 2019. Vol. 207(8). Pp. 1092-1102.
9. Ujević Andrijić Ž., Rolich T., Bolf N. Soft sensor development for the estimation of benzene content in catalytic reformate //Industrial & Engineering Chemistry Research. 2012. Vol. 51(7). Pp. 3007-3014.
10. Andrijić Ž.U., Cvetnić M., Bolf N. Soft sensor models for a fractionation reformate plant using small and bootstrapped data sets // Brazilian Journal of Chemical Engineering. 2018. Vol. 35(2). Pp. 745-756.
11. Ahmad I. Virtual sensing of catalytic naphtha reforming process under uncertain feed conditions // 2018 International Conference on Computing, Mathematics and Engineering Technologies (iCoMET). IEEE: Piscataway, NJ, 2018. Pp. 1-6.
12. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer: New York, 2009. 745 p.
13. Efron B. Bootstrap Methods: Another Look at the Jackknife // The Annals of Statistics. 1979. Vol. 7(1). Pp. 1-26.
14. Demsar J. Statistical comparisons of classifiers over multiple data sets // Journal of Machine Learning Research. 2006. \Vol. 7. Pp. 1-30.
15. Hollander M., Wolfe D.A., Chicken E. Nonparametric Statistical Methods. 3rd ed. John Wiley & Sons: Hoboken,NJ, 2014. 848 p.