Разработка нейронной сети для управления процессом пиролиза дихлорэтана с целью повышения эффективности процесса

Е. А. Муравьева, А. И. Николаева

Аннотация


В настоящее время большая часть химических предприятий сталкиваются с постоянно растущими проблемами из-за увеличивающейся конкуренции, строгих экологических стандартов и постоянного давления на снижение затрат и повышение производительности. В связи с новыми требованиями к улучшению производственных процессов химическая промышленность уделяет особое внимание разработке и внедрению эффективных методов управления. В данных условиях, для предприятий химической отрасли очень важно оптимизировать технологические процессы. Методы машинного обучения и использование нейронных сетей для оптимизации параметров процессов являются двумя примерами стремительного развития инструментов искусственного интеллекта в последние десятилетия. Данные инновационные методы позволяют системам автоматически корректировать свои параметры на основе полученных данных, что обеспечивает более надежное и эффективное управление в постоянно меняющихся условиях. Цель данной работы – разработка нейронной сети для управления процессом пиролиза дихлорэтана, направленная на повышение эффективности и оптимизацию процесса. Применение методов машинного обучения позволяет улучшить параметры процесса, сократить время реакции и увеличить выход винилхлорида. Такой подход способствует повышению эффективности производства за счет использования передовых технологий.

Ключевые слова


нейронные сети, машинное обучение, пиролиз дихлорэтана, автоматизация, машинное обучение, оптимизация, TensorFlow, Keras, промышленная автоматизация, искусственный интеллект

Полный текст:

PDF

Литература


Muravyova E. A., Gabitov R. F. “Development of an intelligent complex for parallel operation of steam boilers” // Journal of physics: conference series, Materials of the II International Scientific Conference on Metrological Support of Innovative Technologies, 2021, p. 22047.

Muravyova E. A., Gabitov R. F., and Sabanov P. A. “Separation process control system in the cement production facility” // Journal of Physics: conference series, Materials of the II International Scientific Conference on Metrological Support of Innovative Technologies, 2021, p. 22050.

Астапов Р. Л., Мухамадеева Р. М. Автоматизация подбора параметров машинного обучения и обучение модели машинного обучения // Актуальные научные исследования в современном мире. 2021. № 5-2 (73). С. 34–37. [[ R. L. Astapov, R. M. Mukhamadeeva, “Automation of machine learning parameter selection and model training” // Aktualnye Nauchnye Issledovaniya v Sovremennom Mire, No. 5-2 (73), pp. 34-37, 2021. (In Russian). ]]

Dubovitski A. A., Klimentova E. A., Rogov M. A. “Applicability of machine learning models using a neural network for predicting the parameters of the development of food markets” // Journal of Process Management and New Technologies. 2022. Vol. 10, No. 3-4, pp. 93-105.

Osipov A. V., Pleshakova E. S., Bykov A. A., Kuzichkin O. R., Surzhik D. I., Suvorov S. V., Gataullin S. T. “Machine learning methods based on geophysical monitoring data in low time delay mode for drilling optimization” // IEEE Access. 2023, pp. 1-11.

Николаева А. И. Разработка автоматизированной системы управления процессом пиролиза дихлорэтана в цехе №29 акционерного общества "Башкирская содовая компания" // Наука и инновационные технологии. 2023. № 2-27. С. 197-201. [[ A. I. Nikolaeva, “Development of an automated control system for the pyrolysis process of dichloroethane in workshop No. 29 of Bashkir Soda Company” // Nauka i Innovacionnye Tekhnologii, no. 2-27, pp. 197-201, 2023. (In Russian). ]]

Kitov V. V., Mishustina M. V., Ustyuzhanin A. O. “Time series prediction survey of statistical, machine learning and deep learning methods: historical aspects” // Voprosy istorii. 2022. No. 4-2, pp. 201-218.

Сапрыкин Д. А., Кравцова Е. Ю. Алгоритмы машинного обучения в классификации и ее задачи в обучении моделей // Моя профессиональная карьера. 2022. Т. 2. № 43. С. 232-237. [[ D. A. Saprykin, E. Yu. Kravtsova, “Machine learning algorithms in classification and their tasks in model training” // Moya Professionalnaya Kariera, vol. 2, no. 43, pp. 232-237, 2022. (In Russian). ]]

Городничев Д. Ю. Машинное обучение и глубокое обучение // Современные проблемы лингвистики и методики преподавания русского языка в вузе и школе. 2022. № 38. С. 278-281. [[ D. Yu. Gorodnichev, “Machine learning and deep learning” // Sovremennye Problemy Lingvistiki i Metodiki Prepodavaniya Russkogo Yazyka v Vuze i Shkole, no. 38, pp. 278-281, 2022. (In Russian). ]]

Жуланов В. Н. Применение градиентного спуска для обучения модели машинного обучения // Инновационные технологии: теория, инструменты, практика. 2021. Т. 1. С. 16–21. [[ V. N. Zhulanov, “Application of gradient descent for machine learning model training,” in Innovatsionnye Tekhnologii: Teoriya, Instrumenty, Praktika, vol. 1, pp. 16-21, 2021. (In Russian). ]]

Бубченко Е. И. Сравнение эффективности нейросетей прямого распространения и рекуррентных нейросетей // Научно-технический вестник Поволжья. 2023. № 11. С. 414–416. [[ E. I. Bubchenko, “Comparison of the efficiency of feedforward and recurrent neural networks” // Nauchno-Tekhnicheskiy Vestnik Povolzh'ya, no. 11, pp. 414-416, 2023. (In Russian). ]]

Isaeva A. S., Denisenko M. A., Kovalev A. V. “Neural network application to road surface type identification” // Computational Technologies. 2023. Vol. 28, No. 2, pp. 19–26.

Zhu W., Zhan Y., & Romagnoli J. “A deep learning approach on industrial pyrolysis reactor monitoring” // Chemical Engineering Transactions. 2019. No. 74, pp. 691–696.

Garg A., & Dutta P. “Applications of machine learning in pyrolysis: a comprehensive review” // Journal of Energy Chemistry. 2022. No. 64, pp. 127–140.

Попов Е. А., Стариков М. А., Невкин А. А. Внедрение алгоритмов машинного обучения в производственные процессы компаний нефтяной и газовой промышленности // Бурение и нефть. 2021. № 4. С. 36–40. [[ E. A. Popov, M. A. Starikov, and A. A. Nevkin, “Implementation of machine learning algorithms in the production processes of oil and gas companies” // Burenie i Neft', no. 4, pp. 36-40, 2021. (In Russian). ]]

Крюков А. С. Применение искусственного интеллекта и машинного обучения в промышленности // Инженерные кадры – будущее инновационной экономики России. 2023. № 1. С. 478–480. [[ A. S. Kryukov, “Application of artificial intelligence and machine learning in industry” // Inzhenernye Kadry – Budushchee Innovatsionnoy Ekonomiki Rossii, no. 1, pp. 478-480, 2023. (In Russian).]

Кондрашов М. И., Мотькин И. Д. Применение методов машинного обучения в промышленности // Студенческий. 2023. № 2-1 (214). С. 51–54. [[ M. I. Kondrashov and I. D. Motkin, “Application of machine learning methods in industry” // Studencheskiy, no. 2-1 (214), pp. 51-54, 2023. (In Russian). ]]

Хамитов Р. М. Перспективы интеграции методов машинного обучения в металлургическую промышленность // Экономика и предпринимательство. 2024. № 9 (170). С. 1116–1119. [[ R. M. Khamitov, “Prospects for integrating machine learning methods in the metallurgical industry” // Ekonomika i Predprinimatel'stvo, no. 9 (170), pp. 1116-1119, 2024. (In Russian). ]]

Карпович А. В. Машинное обучение и его роль в развитии промышленности // Инновационная наука. 2023. № 9-1. С. 9–12. [[ A. V. Karpovich, “Machine learning and its role in industrial development” // Innovatsionnaya Nauka, no. 9-1, pp. 9-12, 2023. (In Russian). ]]

Китова О. В., Савинова В. М., Иксанов В. Р. Сравнительный анализ методов машинного обучения для прогнозирования показателей промышленности РФ // Вопросы истории. 2022. № 9-12. С. 248–262. [[ O. V. Kitova, V. M. Savinova, and V. R. Iksanov, “Comparative analysis of machine learning methods for predicting the performance of Russian industry” // Voprosy Istorii, no. 9-12, pp. 248-262, 2022. (In Russian). ]]

Абдрафикова Ф. Ф., Муравьева Е. А. Технология FMEA-анализа процесса добычи нефти // СИИТ. 2021. Т. 3, № 2(6). С. 50-57. EDN HUPBIQ. [[ Abdrafikova F. F., Muravyova E. A. “FMEA analysis technology for the oil production process” // SIIT. 2021. Vol. 3, No. 2(6), pp. 50-57. EDN HUPBIQ. (In Russian). ]]

Муравьева Е. А., Шокуров С. А. Использование нечеткого регулятора для прогнозирования состояния объекта управления // СИИТ. 2019. Т. 1, № 2(2). С. 42-50. EDN LYWNTM. [[ Muravyova E. A., Shokurov S. A. “Using a fuzzy controller to predict the state of a control object” // SIIT. 2019. Vol. 1, No. 2(2), pp. 42-50. EDN LYWNTM. (In Russian). ]]

Веревкин А. П., Муртазин Т. М. Моделирование производственных процессов на основе когнитивной информации и временных рядов // СИИТ. 2022. Т. 4, № 1(8). С. 12-19. EDN QPTPES. [[ Verevkin A. P., Murtazin T. M. “Modeling of production processes based on cognitive information and time series” // SIIT. 2022. Vol. 4, No. 1(8), pp. 12-19. EDN QPTPES. (In Russian). ]]

Гвоздев В. Е., Давлиева А. С. Оценка функциональной безопасности аппаратно-программных комплексов на основе математико-статистических методов // СИИТ. 2023. Т. 5, № 2(11). С. 33-40. EDN VLLUZS. [[ Gvozdev V. E., Davlieva A. S. “Assessment of the functional safety of hardware and software complexes based on mathematical and statistical methods” // SIIT. 2023. Vol. 5, No. 2(11), pp. 33-40. EDN VLLUZS. (In Russian). ]]

Брекоткин В. Е., Брекоткина Е. С., Павлов А. С., Павлов С. В. Информационная технология подбора компонентов сложных технических систем на основе интеллектуального анализа их желаемых и фактических характеристик из распределенных баз данных // СИИТ. 2022. Т. 4, № 2(9). С. 13-23. EDN XGTHJD. [[ Brekotkin V. E., Brekotkina E. S., Pavlov A. S., Pavlov S. V. “Information technology for selecting components of complex technical systems based on intelligent analysis of their desired and actual characteristics from distributed databases” // SIIT. 2022. Vol. 4, No. 2(9), pp. 13-23. EDN XGTHJD. (In Russian). ]]

Кочергин Г. А., Муратов И. Н., Куприянов М. А. Оценка и картографирование экологических рисков в информационной системе нефтедобывающего региона // СИИТ. 2021. Т. 3, № 3(7). С. 65-71. EDN HIFKRZ. [[ Kochergin G. A., Muratov I. N., Kupriyanov M. A. “Assessment and mapping of environmental risks in the information system of an oil-producing region” // SIIT. 2021. Vol. 3, No. 3(7), pp. 65-71. EDN HIFKRZ. (In Russian). ]]


Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2024 Е. А. Муравьева, А. И. Николаева