Использование нейросетей для моделирования процесса гидроочистки бензина

1. Выполнил: Абзагиров Магарданбек
Специалист II категории ООО «Автоматика-сервис»
e-mail: Abzagirov.MM@gazprom-neft.ru
Тел. 8(915)102-25-70

2. Гидроочистка бензина каталитического крекингас содержаниемсеры
до 250 ppm (parts per million - миллионнаядоля) с получением
компонентатоварного бензинас содержаниемсеры неболее 18 ppm.

4. Построить модель, с приемлемой точностью оценивающая
показатель качества – концентрацию серы в тяжелом
бензине. Критерий оценки – приведенная погрешность
модели и коэффициент корреляции.

5. Технологические параметры, влияющие на концентрацию
серы в тяжелом бензине;

6. тяжёлый
бензин

8. Технологические параметры, влияющие на концентрацию
серы в тяжелом бензине;
Лабораторные анализы;
Экзаменационные данные, необходимые для проверки
адекватности модели.

9. F
∑1
F
∑2
F
∑N
1
2
L
w111
wLN1
w221 w212
Входной
слой
Скрытый слой
нейронов
Выходной
слой
F
∑
F - Функция активации.
y

10. Создание нейронной сети:
net = fitnet(hidden_layer_neurons(hidden_layer_neurons_index), …
training_algorithms{algorithm});
Разделение данных:
net.divideFcn = 'divideblock'
net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;
Обучение
[net, train_results] = train(net, train_inputs,
train_outputs, ...
'useParallel', 'no', ...
'useGPU', 'no', ...
'showResources', 'no');

12. ቊ
𝑌1 = ∆прив→ 𝑚𝑖𝑛
𝑌2 = 𝑅 → 𝑚𝑎𝑥
→ ቊ
𝑌1 = ∆прив→ 𝑚𝑖𝑛
𝑌2 = 1 − 𝑅 → 𝑚𝑖𝑛
→
𝑌 = 𝐴 ∗ ∆прив + 𝐵 ∗ 1 − 𝑅 𝑡𝑟𝑎𝑖𝑛 + 𝐶 ∗ (1 − 𝑅 𝑒𝑥𝑎𝑚) → 𝑚𝑖𝑛
Где,
∆прив − приведенная погрешность выхода нейронной сети;
𝑅 𝑡𝑟𝑎𝑖𝑛 − коэффициент корреляции при обучающей выборке;
𝑅 𝑒𝑥𝑎𝑚 − коэффициент корреляции при экзаменационной выборке;
𝐴, 𝐵, 𝐶 − коэффициенты значимости.

13. СКО: 3,67 (ppm);
Приведенная погрешность:
36,7%;
Коэффициент корреляции:
0,32;
Алгоритм обучения: метод
градиентного спуска
(traingd);
Количество нейронов в
скрытом слое: 10.

14. Цикл адаптации:
for i = 1:length(outputs)
adapt_out(i) = net(inputs(:, i));
net = adapt(net, inputs(:, i), outputs(i));
end
Вариация скорости адаптации:
net_rate = 0,00001:0,00005:0,00051;
Закон адаптации:
learning_algorithms = {'learngdm'; ...
'learngd'; ...
'learnh'; ...
'learnk'; ...
'learnhd'};

15. СКО: 860,71 (ppm);
Приведенная погрешность: 43,59%
 Коэффициент корреляции: 0,93;
Алгоритм обучения: метод
градиентного спуска с моментом и
адаптивным обучением (traingdx).

16. СКО: 115,62 (ppm);
Приведенная погрешность: 5,86%
 Коэффициент корреляции: 0,98;
 Алгоритм обучения: метод
градиентного спуска (traingd).

17.  Построен нелинейный виртуальный анализатор содержания серы в тяжелом
бензине со следующими характеристиками:
 СКО – 4,67 ppm;
 Приведенная погрешность: 36,7%;
 Коэффициент корреляции – 0,32.
 Нелинейный виртуальный анализатор содержания серы в нестабильном бензине
с применением алгоритма адаптации со следующими характеристиками:
 СКО – 115,62 ppm;
 Приведенная погрешность: 5,86%;
 Коэффициент корреляции – 0,98.
 Алгоритм адаптации нейронных сетей.

18. Абзагиров Магарданбек Мурадбекович
Специалист II категории ООО «Автоматика-сервис»
Россия, 109429, г. Москва, Капотня, 2-й квартал, д.1 корп.11
e-mail: Abzagirov.MM@gazprom-neft.ru
Тел. 8(915)102-25-70