284.прогноз ключевых параметров при помощи искусственных нейронных сетей
1. 101№3 • март 2009
НЕФТЕГАЗОВЫЕ
Т Е Х Н О Л О Г И И
HYDROCARBON PROCESSING: КОНТРОЛЬ И ИНФОРМАЦИОННЫЕ СИСТЕМЫ
ПРОГНОЗ КЛЮЧЕВЫХ ПАРАМЕТРОВ
ПРИ ПОМОЩИ ИСКУССТВЕННЫХ
НЕЙРОННЫХ СЕТЕЙ
K. R. Ramakumar, НПЗ Гуджарарт, Indian Oil Corporation, Вадодара, Индия
Искусственные нейронные сети (artificial neutral
networks – ANN) служат мощным инструментом
моделирования нелинейных процессов. Это процес-
сы, протекающие в системах, параметры которых не
подчиняются линейным отношениям между собой.
Один из способов работы с такими сложными сис-
темами – ANN. Обычно ANN используют для уста-
новления соответствия между набором входных и
выходных данных.
ЗНАКОМСТВО С ОСНОВАМИ
Получив входные данные (x1, x2,..., xn) и весо-
вые коэффициенты, приписанные каждому потоку
((w1, w2, . . ., wn), нейрон, элемент NN, обрабаты-
вает суммарный вход X1 w1 + x2w2 + ... + xn wn)
и выдает выходные данные, руководствуясь задан-
ной функции активации или передаточной функци-
ей (рис. 1). Выходные данные, в свою очередь, мо-
гут быть входными для следующего нейрона. Цикл
продолжается, пока не будут получены ожидаемые
выходные данные. Подобный цикл обработки ин-
формации представлен на рис. 2. Самый распростра-
ненный тип ANN состоит из трех групп (или слоев)
элементов: слой «входных» элементов соединяется
со слоем «скрытых» элементов, который, в свою оче-
редь, соединяется со слоем «выходных» элементов.
Скрытые элементы могут отобразить входные дан-
ные по-своему. Весовые коэффициенты между вход-
ными и скрытыми элементами определяют, будет ли
активен каждый из скрытых элементов, поэтому, из-
меняя эти коэффициенты, скрытый элемент может
«выбрать», что ему отображать. Весовые коэффици-
енты приписываются случайным образом (между 0 и
1) перед началом цикла упреждения.
ЭТАПЫ ПОСТРОЕНИЯ МОДЕЛИ
Определение параметров.
• Определить входные данные (x1, x2, . . . , xn);
входные нейроны = n.
• Реальный выход = Y; Y = f(x1, x2, . . . , xn); вы-
ходные нейроны = 1.
• Определить количество скрытых слоев и коли-
чество нейронов в каждом.
• Определить весовые коэффициенты (w1,w2, . . . ,
wn).Обучение модели.
• Запустить в прямую цепь результаты первого
наблюдения с приписанными весовыми коэффици-
ентами.
• Модель прогнозирует выходные данные.
• Ошибка = реальный выход – предсказанный вы-
ход.
• Настроить весовые коэффициенты так, чтобы
свести ошибку к минимуму.
• Запустить в прямую цепь результаты второго
наблюдения и повторить предыдущие этапы.
• Продолжать до последнего наблюдения. Первый
цикл обучения завершен
• Чтобы свести ошибку к минимуму может потре-
боваться много таких циклов
С учетом ошибки начинается обратное распро-
странение сигнала по сети для обучения нейронов,
настройки весовых коэффициентов и, в итоге, мини-
мизации ошибки:
E = У[(реальная величина)n — (предсказанная
величина)n]2
.
Настройка весовых коэффициентов осуществля-
ется по методу градиентного спуска:
y
F
W1
W2
WN
XN
X2
X1
Рис. 1. Базовая функциональная схема ANN
Входные данные Нейрон
Выходные
данные
Сумматор
Функция
активации
Рис. 2. Простейшая нейронная сеть
Входные
Скрытые
Выходные
Copyright ОАО «ЦКБ «БИБКОМ» & ООО «Aгентство Kнига-Cервис»
2. 102
НЕФТЕГАЗОВЫЕ
Т Е Х Н О Л О Г И И№3 март • 2009
HYDROCARBON PROCESSING: КОНТРОЛЬ И ИНФОРМАЦИОННЫЕ СИСТЕМЫ
W’ = W+ a (dE/dW),
где W’ = новый масс-коэффициент, W = старый масс-
коэффициент, б = параметр обучения (0 < б <1).
Для более точной настройки масс-коэффициенты
можно представить в следующем виде:
W(n+1) = W(n) + б{dE/dW(n)} + в{W(n) – W(n-1)},
где в = момент (0 < в < 1).
Пример 1. Прогнозирование температур вспышки.
М.Р. Риаци и Т.Е. Дауберт предложили формулу для
оценки температуры вспышки бензиновой фракции
на основе температуры кипения для 10 %-ной фракции
по ASTM. Формула была незначительно модифициро-
вана, и для более точной оценки в формулу, предло-
женную К.Р. Рамакумаром[1] подставили усредненное
значение между IBP, ASTM 5 % и ASTM 10 %.
Сетевая архитектура. Определение сетевых
входов:
Количество входных сигналов = 3 (IBP, 5 % и
10 %), количество выходных сигналов = 1 (температу-
ра вспышки), количество скрытых слоев = 1 (состоя-
щий из двух нейронов), начальный весовой коэффици-
ент = 0,5 (случайно), параметр обучения = 0,5 (слу-
чайно), момент = 0, количество наблюдений = 39,
количество циклов обучения = 500.
В качестве проверочного набора решено было слу-
чайным образом выбрать 10 % данных. На рис. 3–5 и
в табл. представлены среднеквадратические откло-
нения и наблюдения.
Результаты. После выполнения обучения и про-
верки данных наблюдений, в сеть были введены ис-
ходные данные: IBP, 5 % и 10 % и NN смогла точно
предсказать температуру вспышки, как показано на
рис. 6.
Пример 2. Прогноз содержания O2 в отходящем
газе. Для последующего использования в сетевой мо-
Результаты наблюдений
Вспышка (ожидание) Т (IBP) Т (5 %) Т (10 %)
49 198 252 267
49 200 245 265
45 160 180 187
40 150 168 178
45 160 180 188
46 162 180 188
43 162 177 183
43 158 180 188
44 163 179 186
46 160 180 187
44 153 164 170
42 149 161 167
39 140 156 170
45 155 168 171
44 153 164 169
45 157 163 166
39 134 156 175
45 156 165 170
37 136 160 175
45 152 162 168
40 135 155 168
46 155 161 170
39 136 155 172
45 158 164 166
41 143 163 171
42 141 161 170
42 143 162 175
44 152 160 165
40 148 165 174
39 148 160 170
46 153 164 169
45 152 167 170
49 164 182 193
40 150 162 175
48 153 168 175
49 176 190 214
49 164 183 192
48 160 170 175
49 165 180 190
IBP
5%
10%
0.000
0 100 200 300 400 500 600
2.000
4.000
6.000
8.000
10.000
12.000
0 100 200 300 400 500 600
0.000
5.000
10.000
15.000
20.000
Рис. 3. Структура модели ANN
Входной слой (3)
Кривая
логической
сигма-функции
Скрытый слой (2)
Выходной слой (1)
Температура
вспышки
Рис. 4. Среднеквадратическое отклонение при обучении сети
Период, итерации
Среднеквадратическое
отклонение
Среднеквадратическое отклонение
(исходный масштаб)
Рис. 5. Среднеквадратическое отклонение при проверке
Период, итерации
Среднеквадратическое
отклонение
Среднеквадратическое отклонение
(исходный масштаб)
Copyright ОАО «ЦКБ «БИБКОМ» & ООО «Aгентство Kнига-Cервис»
3. 103№3 • март 2009
НЕФТЕГАЗОВЫЕ
Т Е Х Н О Л О Г И И
HYDROCARBON PROCESSING: КОНТРОЛЬ И ИНФОРМАЦИОННЫЕ СИСТЕМЫ
дели исследовалось влияние всех возможных пара-
метров на содержание O2 в отходящем газе двухре-
жимной печи: на жидком (ЖТ) и газообразном (ГТ)
топливах.
Число входных сигналов равно 7 (поток воздуха,
давление воздуха, давление ЖТ, давление ГТ, тем-
пература отходящего газа, температура на выходе
из печи и расход вещества, поступающего в печь),
число выходных сигналов равно 1 (содержание O2),
число скрытых слоев равно 2 (состоящих из трех и
двух нейронов), начальный весовой коэффициент
потоков равен 0,5 (случайно), параметр обучения
равен 0,5 (случайно), момент равен 0,5, число на-
блюдений равно 1088, число циклов обучения рав-
но 250.
В качестве проверочного набора было решено
случайным образом выбрать 10 % данных. Поскольку
наблюдений было много, таблица с данными не при-
водится. На рис. 7 и 8 представлены среднеквадрати-
ческие отклонения.
Результаты. Результаты оказались не очень
точными – ошибка составила от +0,5 до +1,8 %. .
Модель требовала дальнейшей корректировки.
Приведенный пример просто показал, как сетевое
моделирование может быть полезно в предсказании
ключевых параметров.
Однако, поскольку расход питающего потока
в печи был практически постоянным, этот параметр
исключили, после чего результаты работы сети стали
лучше.
Таким образом, в данном случае потребовалось
оптимизация моделирования, которая заключалась
в выборе исходных параметров, влияющих на желае-
мый параметр или параметры. Что касается функции
активации, то для предыдущих моделей была выбра-
на логическая сигма-функция (ex
/1+ex
).
Перевел А. Локтионов
СПИСОК ЛИТЕРАТУРЫ
1. Ramakumar, K. R., «Develop more accurate prediction
of flash points», Hydrocarbon Processing, May 2008.
K. R. Ramakumar (К. Р. Рамакумар) рабо-
тает производственным инженером на
установке гидрокрекинга НПЗ Гуджарат,
Вадодара, Индия. Он окончил колледж с зо-
лотой медалью по химическому машино-
строению, затем окончил Национальный
Технологический Университет им. Сардара Валлаббаби,
Гуджарат с дипломом бакалавра. Г-н Рамакумар опублико-
вал насколько работ по различным вопросам химического
машиностроения.
30
35
40
45
50
HSD1 HSD2 HSD3 HSD4 HSD5 HSD6
0 50 100 150 200 250 300
0,000
0,020
0,040
0,060
0,080
0,100
0,120
0,140
0,000
0,050
0,100
0,150
0,200
0 50 100 150 200 250 300
0,00
2,00
4,00
6,00
8,00
1 2 3 4 5 6 7 8
Рис. 6. Сравнение температуры вспышки (ТВ) по прогнозам
ANN с реальной (ТВ)
Образцы
ТВ,°С
Результаты прогнозов ANN
Реальная ТВ
Предсказанная ТВ
Рис. 7. Среднеквадратическое отклонение проверочного
набора
Период, итерации
Среднеквадратическое
отклонение
Среднеквадратическое
отклонение
Рис. 8. Среднеквадратическое отклонение проверочного
набора
Период, итерации
Среднеквадратическое
отклонение
Среднеквадратическое
отклонение
Рис. 9. Разница между предсказанными и реальными величи-
нами
Наблюдения
СодержаниеО2
вотходящемгазе,%
Разница между предсказанными и реальными величинами
Предсказанное
Реальное
Copyright ОАО «ЦКБ «БИБКОМ» & ООО «Aгентство Kнига-Cервис»