ARTIFICIAL INTELLIGENCE AND DECISION MAKINGARTIFICIAL INTELLIGENCE AND DECISION MAKINGИскусственный интеллект и принятие решений2071-859426540910.14357//20718594240204LSUAWIAI-enabled SystemsСистемы, включающие искусственный интеллектResearch ArticleOptimization of the operation of an oil refining plant using a neural network forecast of its economic efficiencyОптимизация работы нефтеперерабатывающей установки с помощью нейросетевого прогноза ее экономической эффективностиNuzhnyAnton S.НужныйАнтон Сергеевич
Russian Federation

Candidate of physical and mathematical science, Chief Specialist of the Digital Modeling Center, Senior Researcher, Institute for Problems of Safe Development of Nuclear Energy RAS. Assistant Professor, National Research University MIPT

кандидат физико-математических наук, главный специалист Центра цифрового моделирования, старший научный сотрудник Института проблем безопасного развития атомной энергетики РАН, доцент Национального исследовательского университета МФТИ

nuzhny@inbox.ruLevchenkoEvgeniy N.ЛевченкоЕвгений Николаевич
Russian Federation

Head of the Digital Modeling Center

начальник центра цифрового моделирования

evgeny.n.levchenko@lukoil.comUsmanovMarat R.УсмановМарат Радикович
Russian Federation

Candidate of technical sciences, General Director, Doctoral student, Gubkin Russian State University of Oil and Gas

кандидат технических наук, генеральный директор, докторант Российского государственного университета нефти и газа (национального исследовательского университета) им. И.М. Губкина

usmanovmr@bk.ruLimited Liability Company «LUKOIL-Engineering Skills and Competencies»ООО «ЛУКОЙЛ-Инженерные навыки и компетенции»05082024253610310202403102024Copyright ©; 2024, ФИЦ ИУ РАНCopyright ©; 2024,2024ФИЦ ИУ РАНhttps://journals.rcsi.science/2071-8594/article/view/265409

The problem of optimal control of an oil refining unit is considered. The proposed approach is based on the construction of a predictive model predicting the economic efficiency of the installation. This model is built by training a recurrent neural network. The effectiveness of the proposed approach is shown by the example of the installation of hydrocracking of tar. Optimization of the forecast econ- omy of the installation according to its control parameters allows us to obtain their optimal values that maximize the predicted economic efficiency. The correctness of the recommendations received was evaluated by experts, as well as by conducting a natural experiment.

Рассматривается задача повышения экономической эффективности нефтеперерабатывающей установки. Предлагаемый подход основан на построении предиктивной модели, предсказывающей экономическую эффективность, которая строится путем обучения рекуррентной нейросети. Показывается состоятельность предлагаемого подхода на примере установки гидрокрекинга гудрона. Увеличение прогнозной эффективности установки путем подбора ее управляющих параметров позволяет получить их оптимальные значения, максимизирующие предсказываемую экономическую эффективность. Корректность полученных рекомендаций оценивалась экспертами, а также проведением натурного эксперимента.

recurrent neural networksoptimal controltime seriesdecision support systemsрекуррентные нейронные сетизадача оптимизациивременные рядысистемы поддержки принятия решенийNuzhny A.S., Odnolko I.S., Glukhov A.Yu., Piskunov I.V., Vyshinsky I.M., Levchenko E.N., Starikov A.S. Ispol'zovanie metodov mashinnogo obucheniia dlia prognozirovaniia soderzhaniia sedimentov (HFT) v nekonvertiruemom ostatke s ustanovki gidrokrekinga gudrona [Using machine learning techniques to predict the content of sediments (HFT) in an unconverted residue from the tar hydrocracking unit] // Neftepererabotka i neftekhimiia. Nauchno-technicheskie dostizheniia i peredovoi opit [Oil refining and petrochemistry. Scientific and technical achievements and best practices]. 2020. No 7. P. 1–8.Нужный А.C., Однолько И.С., Глухов А.Ю., Пискунов И.В., Вышинский И.М., Левченко Е.Н., Стариков А.С. Использование методов машинного обучения для прогнозирования содержания седиментов (HFT) в неконвертируемом остатке с установки гидрокрекинга гудрона // Нефтепереработка и нефтехимия. Научно-технические достижения и передовой опыт. 2020. № 7. С. 1–8.Shumikhin A.G., Musatov D.A., Vlasov S.S., Nemtin A.M., Plekhov V.G. Opyt razrabotki i vnedreniia sistem usovershenstvovannogo upravleniia tekhnologicheskimi protsessami neftepererabotki na baze virtual'nykh analiza- torov kachestva [Experience developments and introduc- tion advanced technologicals processes control oil refining based virtual quality analysers] // Vestnik Permskogo natsional'nogo issledovatel'skogo politekhnicheskogo uni- versiteta. Khimicheskaia tekhnologiia i biotekhnologiia [Bulletin of the Perm National Research Polytechnic University. Chemical technology and biotechnology]. 2016. No 2. P. 39–53.Шумихин А.Г., Мусатов Д.А., Власов С.С., Немтин А.М., Плехов В.Г. Опыт разработки и внедрения систем усовершенствованного управления технологическими процессами нефтепереработки на базе виртуальных анализаторов качества // Вестник Пермского нацио нального исследовательского политехнического уни верситета. Химическая технология и биотехнология. 2016. № 2. С. 39–53.Itskovich E.L., Dozortsev V.M., Kneller V.V. Usovershenstvovannoe upravlenie tekhnologicheskimi protsessami (ARS): 10 let v Rossii [Advanced process con- trol (APC): 10 years in Russia] // Avtomatizatsiya v promishlinnosti [Automation in industry]. 2013. No 1. P. 12–19.Дозорцев В. М., Ицкович Э.Л., Кнеллер Д.В. Усовершенствованное управление технологическими процес сами (APC): 10 лет в России // Автоматизация в промышленности. 2013. № 1. С. 12-19.Nuzhny A. S., Odnol’ko I. S., Glukhov A. Yu., et al. Opti- mizing the content of the sediments in the process of hudron's hydrocracking with the use of machine learning methods // Applied Mathematics and Control Sciences, 2021. No 1. P. 7-22.Нужный А.С., Однолько И.С., Глухов А.Ю., Бутырин М.С., Левченко Е.Н., Стариков А.С., Карасев И.В., Ла пинова С.А. Оптимизация содержания седиментов в процессе гидрокрекинга гудрона с использованием методов машинного обучения. // Прикладная математика и вопросы управления. 2021. № 1Seber J. A. F. Linear regression analysis. New York etc., 1977.Себер Дж. Линейный регрессионный анализ. М.: Мир. 1980. 456 с.Friedman J.H. Greedy function approximation: a gradient boosting machine // The Annals of Statistics. 2001. V. 29. No 5. P. 1189–1232.Friedman J.H. Greedy function approximation: a gradient boosting machine // The Annals of Statistics. 2001. Vol. 29. No. 5. P. 1189–1232.Hastie T., Tibshirani R., Friedman J. Chapter 15. Random Forests // The Elements of Statistical Learning: Data Min- ing, Inference, and Prediction. 2nd ed. Springer-Verlag, 2009. P. 746.Hastie, T., Tibshirani R., Friedman J. Chapter 15. Random Forests // The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer-Verlag 2009. 746 p.Goodfellow Ian, Bengio Yoshua, Courville Aaron. Deep Learning. Cambridge, Massachusetts, London, England: The MIT Press, 2016. P. 316 – 351.Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обу чение. пер. с анг. А. А. Слинкина. 2-е изд., испр. М.: ДМК Пресс. 2018. Р. 316 – 351.Nuzhny A.S. Baiesovskii podkhod k reguliarizatsii zadachi obucheniia seti funktsii radial'nogo bazisa [Bayesian ap- proach to regularization for training task of radial basic functions network] // Iskusstvenniy intellekt i prinyatie resheniy [Artificial Intelligence and Decision Making]. 2015. No 2. P. 18–24.Нужный А.С. Байесовский подход к регуляризации за дачи обучения сети функций радиального базиса // Ис кусственный интеллект и принятие решений. 2015.№ 2. C. 18–24Nelder J.A., Mead R. A simplex method for function mini- mization // Computer Journal. 1965. V. 7. P. 308 – 313.Nelder J.A. and Mead R. A simplex method for function min- imization//Computer Journal. 1965. Vol. 7. P. 308 – 313.Polak Elijah. Computational methods in optimization. London: Academic press, 1971.Полак Э. Численные методы оптимизации. М.: Мир. 1974.Philippov O. Yandex ClickHouse. Bistree ne kuda [There 's no place faster] // Sistemniy Administrator [System Admin- istrator]. 2017. No 1-2 (170-171). P. 56-58.Филиппов, О. Яндекс ClickHouse. Быстрее некуда // Си стемный администратор. 2017. № 1- 2 (170-171). С. 56-58.