Исследователи из Сибирского федерального университета в Красноярске разработали цифровой двойник для производства нефтяного кокса – материала, крайне важного для металлургии и энергетики. Их интеллектуальная система способна с высокой точностью прогнозировать качество готового продукта, что в перспективе позволяет НПЗ сэкономить значительные ресурсы.
Контроль производства нефтяного кокса традиционно остается одной из самых сложных задач нефтепереработки. Кокс получают из тяжелых нефтяных остатков в процессе замедленного коксования, а его качество (содержание серы, летучих веществ, пористость и прочность) напрямую определяет, можно ли использовать продукт как топливо или, например, для изготовления алюминиевых электродов. Проблема в том, что лабораторный анализ этих параметров занимает до двух суток. За это время условия процесса и характеристики сырья уже могут измениться, что приводит к выпуску некондиционного продукта и прямым экономическим потерям. Существующие расчетные модели либо слишком упрощены и дают неточные прогнозы, либо представляют собой сложные нейросетевые «черные ящики», которые трудно интерпретировать и адаптировать под новые режимы.
Российские исследователи предложили иной подход – комбинаторный цифровой двойник, основанный на физических принципах. Вместо поиска одной универсальной формулы, описывающей весь процесс, они создали библиотеку из 32 математических моделей. Каждая из них предназначена для прогноза одного из восьми ключевых параметров качества кокса, включая содержание серы, пористость, механическую прочность и теплопроводность. Эти модели различаются по сложности: от линейных зависимостей до более продвинутых уравнений, учитывающих состав сырья, температуру, давление и длительность процесса. Все они опираются на известные физико-химические законы, поэтому их работа остается прозрачной и понятной для инженеров-технологов.
Ключевым элементом системы стал своеобразный «конструктор моделей», который для каждой конкретной производственной ситуации подбирает не одну, а оптимальный ансамбль моделей из всей библиотеки. Для этого используется двухуровневая схема оптимизации. На первом уровне генетический алгоритм, имитирующий естественный отбор, перебирает миллионы возможных комбинаций. На втором уровне параметры выбранных комбинаций тонко настраиваются под реальные данные. При этом учитывается не только точность прогноза, но и вычислительная сложность, а также интерпретируемость результата. Важной особенностью стал учет взаимосвязей между параметрами: например, спрогнозированная пористость автоматически влияет на расчет механической прочности, что делает итоговый прогноз физически согласованным.
Для обучения и проверки цифрового двойника была сформирована обширная база данных, включающая как реальные промышленные данные НПЗ, так и синтетические наборы, имитирующие различные режимы работы и составы сырья. Все данные были сгруппированы в пять кластеров, отражающих типовые сценарии производства – от высококачественного электродного кокса до топливного кокса из тяжелого высокосернистого сырья.
Результаты показали, что ансамбли моделей, подобранные системой, стабильно превосходят по точности любую отдельную модель. Средняя ошибка прогноза по ключевым параметрам для разных режимов составила от 7,5 до 13%. Для реального производства и с учетом мгновенного получения прогноза этот показатель считается отличным.
Главным же преимуществом разработки остается ее прозрачность – инженер всегда может понять, почему система пришла к тому или иному прогнозу. В перспективе же эта система открывает путь к интеллектуальному управлению коксованием в реальном времени, когда корректировки вносятся еще до завершения цикла. Это означает сокращение числа лабораторных анализов, более стабильное качество продукции, снижение энергозатрат и уменьшение экологического следа тяжелой нефтепереработки.
