CC BY
4
После загрузки сырья и подачи напряжения на электроды между ними и промежуточным контактом возникает микродуга, которая вызывает испарение и деструкцию части углеводородов. Давление образовавшихся при этом газов перемещает промежуточный контакт вверх, что способствует удлинению дуги и вовлечению в процесс дополнительной части нефтеотходов. При достижении промежуточным контактом критической высоты дуга обрывается, процесс газообразования прекращается, и промежуточный контакт возвращается в первоначальное положение, после чего происходит очередной цикл электрокрекинга.
Продуктами электрокрекинга являются смесь углеводородных газов, содержащая 60-65 % ыодорода и 20-25 % ацетилена, смесь жидких углеводородов и сажа, образующая с жидкими углеводородами сажевую пасту в виде суспензии.
Получаемый крекинг-газ с высоким содержанием водорода и ацетилена может использоваться в качестве химического сырья или топочного газа, а сажевые пасты могут применяться взамен пластичных смазок в узлах трения, работающих при сравнительно невысоких нагрузках, а также для смазки рессор, деталей торсионной подвески, открытых шестерен и подобных узлов взамен графитной смазки. Полученные пасты не уступают применяемым пластичным смазкам по своим эксплуатационным показателям, а по противозадирным свойствам значительно их превосходят.
Таким образом, рассмотренную установку для электрокрекинга нефтеотходов и нефтепродуктов целесообразно использовать при ликвидации последствий разлива нефтепродуктов и нефтеотходов в структуре МЧС России.
Список использованной литературы:
1. Некрасов В.Г. Вторичные энергоресурсы // Промышленная энергетика. - 1992. - №7. - С. 42-45.
2. Основы государственной политики в области обеспечения химической и биологической безопасности Российской Федерации на период до 2025 года и дальнейшую перспективу, утвержденные Президентом Российской Федерации 11 марта 2019 г. № 97.
3. Зенкевич М.Ю., Левченко Г.Н., Блинова Н.П. К проблеме очистки нефтезагрязнённых территорий в арктической зоне РФ//Сборник научных трудов «Научные проблемы материально-техническогообеспечения» - СПб.: Изд-во Политех. ун-та, 2020. - С. 460-467.
© Квашнин А.Б., Макаров В.И., 2023
УДК 612.892
Нурлыгаянов Т.Р.
ООО ШЕРИНГ ТЕКНОЛОДЖИ г. Уфа, РФ Демин А. Ю.
д-р техн. наук, доцент УУНиТ г. Уфа, РФ
ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ОЦЕНКИ КАЧЕСТВА НЕФТЕХИМИЧЕСКИХ ЖИДКОСТЕЙ
Аннотация
Приведен обзор использования алгоритмов искусственного интеллекта для оценки качества нефтехимических жидкостей. Нефтехимические жидкости используются повсеместно, поэтому данная
тема весьма актуальна как для потребителей, так и производителей. Целью является освещение передовых методов ИИ для оценки качества нефтехимических жидкостей. В рамках работы рассматриваются методы использования таких алгоритмов как метод опорных векторов, случайный лес, логистическая регрессия, полносвязные нейронные сети в нефтехимическом и энергетическом секторе.
Ключевые слова
Искусственный интеллект, машинное обучение, хроматография, масляная проба, нейронные сети.
Цифровые технологии оказывают огромное влияние на бизнес и общество. Роботы, и автономные транспортные средства уже активно используются по всему миру. Благодаря внедрению подобных технологий цифровую трансформацию многие описывают как «четвертую промышленную революцию», стирающую грань между привычными нам сферами жизни общества. Один из последних по популярности феноменов 21 века - искусственный интеллект (далее - ИИ). Он привлекает огромное внимание, из-за многогранности используемых методов и хорошей обобщающей способности, позволяющей автоматизировать и оптимизировать многие процессы в самых разных отраслях.
Нефтегазовая отрасль - одна из ключевых отраслей для многих стран. Высокая конкуренция на мировом рынке побуждает компании активно искать инновационные подходы для повышения эффективности, в частности, за счет оптимизации добычи полезных ископаемых, снижения затрат производства и повышения безопасности работников. Цифровизация такого сложного производственного цикла позволяет оградить себя от рыночных потрясений, сохранить прибыль и получить конкурентное преимущество. Один из способов развития лежит через использование технологий ИИ и машинного обучения, которые быстро интегрируются и масштабируются по всей производственной цепочке. Бесчисленные отрасли промышленности открыли для себя преимущества этих новых технологий, и, таким образом, в будущем мы увидим все больше применений ИИ.
В рамках данной работы хотелось бы остановиться на одной из важнейших задач данной отрасли -оценка качества нефтехимических жидкостей с использованием технологий ИИ. Цель работы освещение передовых методов использования ИИ как среди научного сообщества, так и среди промышленных компаний для оценки качества нефтехимических жидкостей. Объектом данного исследования является обзор популярных статей и алгоритмов ИИ по оценке качества нефтехимических проб. Субъектом исследования - данные, которые используются для анализа, представленные как в числовом (статистика использования жидкостей), так и в графическом виде (хроматографические снимки капельных проб масел).
Проблема качества нефтехимической продукции является ключевой как для производителей, так и для потребителей. Сегодня производители уделяют огромное внимание поиску оптимального соотношения между количеством добываемого полезного ископаемого и его качеством, чтобы максимизировать свой доход. Проблема усугубляется спецификой бизнеса. Для многих стран сырьевые ресурсы - один из основных драйверов экономического роста. В связи с этим на стоимость сырья нефтегазовой отрасли оказывает большое внимание внешние факторы, поэтому даже при огромных исследовательских усилиях по улучшению качества производимого сырья, невозможно гарантировать окупаемость этих вложений. Здесь и появляется неопределенность, которую возможно научиться предсказывать при помощи ИИ. С точки зрения потребителей, существует прямая зависимость между использованием качественных нефтепродуктов и долговечностью транспортного средства.
Один из примеров успешного использования алгоритмов ИИ - предсказание концентрации добываемого ископаемого из месторождений. На нефтяных и газовых месторождениях скважина добывает три вида ископаемых: нефть, газ и вода. Под действием как внешних, так и внутренних факторов, при поточной добыче порой крайне тяжело понять пропорций каждой из трех жидкостей в конечном продукте. Авторы [5] хотели научиться предсказывать соотношение нефти в итоговом продукте и
использовали для этого 2 модели: Метод опорных векторов и случайный лес. В качестве данных авторы использовали 548 наблюдений о месторождении (размер, давление, пропускная способность труб и т.д.) и получившихся продуктам. Как результат, коэффициент детерминации (RA2) по обеим моделям на тестовой выборке превысил 0.9, а наиболее значимым признаком оказался размер месторождения. В чуть более ранней статье [6] исследователи поставили перед собой задачи по оценке качества бензина и отказа нефтяного оборудования. Для решения первой авторы прибегли как к поиску одинарных зависимостей с неизменяемым признаком (коэффициенты корреляции), так и построение предсказательной линейно модели на основе совокупности признаков. Из-за отсутствия большого количества некоррелируемых факторов для исследования, для придания признакам большей информативности, авторы провели стратификационный анализ, разбив все наблюдения на 3 группы по схожести между собой. Как результат используемая регрессионная модель существенно улучшила свою предсказательную силу. При наличии большого количества данных появляется возможность помимо классических алгоритмов ИИ использовать нелинейные нейтронные сети. Этим сравнением и задались авторы еще одной статьи [7] для решения задачи отказа редуктора на нефтяной скважине. Для своей работы они собрали 26 признаков с 126644 редукторов и таким образом получили более 887255 наблюдений. С подобным количеством данных авторы решили использовать 3 вида моделей ИИ: логистическую регрессию, случайный лес и полносвязную трехслойную нейтронную сеть. Нейронная сеть была подготовлена для обучения с оптимальными гиперпараметрами, когда случайный лес и логистическая регрессия были взяты с параметрами по умолчанию. Несмотря на обилие данных данная конфигурация нейронной сети уступила по всем метрикам качества (Precision, Recall, ROC-AUC) обоим классическим моделям ИИ. Данный результат оказался закономерным, поскольку сложные нейтронные сети лучше всего работают с нелинейными данными, например с картинками в области компьютерного зрения.
Компьютерное зрение (Computer Vision, CV) — это одна из ключевых технологий ИИ, которая быстро внедряется в промышленность, создавая значительный потенциал для инноваций и роста. Компьютерное зрение позволяет нефтегазовым компаниям проводить техническое обслуживание и прогнозирование срока службы, контролировать безопасность и соответствия требованиям, проводить мониторинг состояния конструкций, устойчивость и оптимизацию ресурсов, анализировать изменение параметров масел, коррозийную усталость и многое другое.
В нефтяной и газовой промышленности собираются самые разные данные с поверхности и из недр. Методы машинного обучения и, в частности, CV позволяют находить взаимосвязи между входными параметрами, выдавая прогноз по наблюдаемым метрикам. Однако стоит подчеркнуть, что процесс корреляции этих данных очень сложен.
Одним из самых известных примеров внедрения методов CV в работу компании нефтегазовой отрасли является совместная работа французской нефтегазовой компании Total SE и компании, предоставляющей набор облачных служб - Google Cloud. В 2018 году эти компании заключили партнерство для совместной разработки решений искусственного интеллекта, оптимизирующих анализ данных о недрах для разведки и добычи. В результате их коллаборации созданы технологии компьютерного зрения, позволяющие интерпретировать изображения недр, полученные в результате сейсмических исследований.
В статье [1], посвященной исследованию моторного масла с помощью методов искусственного интеллекта «Алгоритм определения остаточного ресурса моторного масла» описан алгоритм методики определения остаточного ресурса моторного масла автомобильного транспорта. В статье показывается способ изучения и диагностики моторных масел, базирующийся на анализе диагностических параметров системы «двигатель - моторное масло» с помощью капельной пробы, а также последующая цифровая обработка получившихся хроматограмм капельной пробы с использованием методов компьютерного зрения (CV).
В статье авторы представляют следующий алгоритм определения остаточного ресурса моторного масла: для начала производится забор проб масла из двигателя, который наносится на фильтровальную бумагу - беззольный фильтр «синяя лента». Спустя время после того, как растекшаяся масляная капля высыхает, проводится сканирование получившегося результата, в результате чего появляется цветное позитивное цифровое изображение масляного пятна. После этого для устранения неравномерности растекания масляного пятна изображение преобразуется в негативное, делится на 4 части, каждую из которых трижды проворачивают на 90 градусов по часовой стрелке. В результате для последующего анализа остаются 4 кадра с разными фрагментами одного и того же пятна.
Для последующей работы с изображениями используется математическое программное обеспечение Mathcad, позволяющее проводить разнообразные математических расчёты, проверять и анализировать их в рамках утверждённых стандартов. В Mathcad производится преобразование цифрового черно-белого изображения масляного пятна в массив пикселей. Затем, при помощи встроенного функционала получается матрица, элементы которой отражают яркость каждого пикселя со снимка масляного пятна. На основе полученных данных был составлен график «зависимости интенсивности яркости пикселей от их координат», отражающий плотностью распределения яркости и контрастности пикселей цифрового негативного отпечатка масляного пятна в заданном интервале. Как результат, авторам удалось выявить ключевые паттерны для определения качества масла по хроматографическим снимкам проб.
В более современной работе [8] авторы поставили перед собой задачу по оптимизации анализа масла, при работе энергетических трансформаторов. Энергетические трансформаторы - ключевое устройство электроподстанций. Из-за высокого напряжения и бесперебойной работы данные устройства имеют много скрытых эффектов, которые могут сократить срок эксплуатации. Анализ масла позволяет отследить и предотвратить на начальных этапах повреждения, которые могут привести к более серьезным последствиям в будущей, такие как сырость, частичный перегрев и разряд низкой энергии в трансформаторе. Классических подхода два: лабораторные исследования и оценка состояния в режиме реального времени. Лабораторные исследования обладают большой точностью и позволяют отследить все возможные неисправности, однако данный метод очень долгий и затратный. Онлайн мониторинг существенно быстрее, но зачастую отражает лишь общую тенденцию эксплуатации трансформатора. Авторы задались задачей по улучшению качества анализа в режиме реального времени масляных проб энергетических трансформаторов.
Для своего анализа авторы остановились на архитектуре LSTM(Longshort-termmemory). Классическая структура данной архитектуры состоит из 3 слоев: слой входных данных, скрытый слой, слой выходных данных. Данная архитектура меняет веса модели в скрытых слоях при каждом новом объекте из обучающей выборки и использует их при последующих данных. Это позволяет хранить «короткую» память о предыдущих картинках и ее паттернах. Для тестирования работы данной архитектуры авторы собрали выборку как онлайн данных, так и лабораторных исследований. Тестирование проводилось на поиск 3 составляющих: доля метана, доля углеводорода и доли водорода в масле. В результате авторам удалось приблизить нейронную сеть к лабораторным тестовым данным. На начальных этапах нейронная сеть допускала ошибки, однако со временем при увеличении количества данных, алгоритм удалось приблизить к тестовым данным.
Проведенный нами обзор показывает, что ИИ все больше и больше используется в нефтегазовой отрасли и при анализе работоспособности технических масел. Потенциал использования предиктивных моделей для оценки качества нефтехимической продукции, оптимизации добычи полезных ископаемых, соблюдения безопасности сотрудников огромен.
В рассматриваемых работах обрабатывались данные как числовом, так и в графическом виде, а также были использованы следующие модели ИИ: компьютерное зрение, метод опорных векторов и
случайный лес, логистическая регрессия и полносвязная трехслойная нейронная сеть. Наиболее перспективными моделями ИИ для анализа работоспособности технических масел методом хроматографических проб с ограниченным количеством наблюдения представляется архитектура LSTM.
Список использованной литературы:
1. Серков А.П., Корнеев С.В. Алгоритм определения остаточного ресурса моторного масла. (2015). //Вестник СибАДИ выпуск 4 (44). Математическое моделирование и системы автоматизации проектирования. 138-144.
2. Чудинов А.Н., КайгородцевГ.В. Применения методов газовой хроматографии для определения фракционного состава образцов сырой нефти. (2016). //Вестник ПНИПУ №4. Химическая технология и биотехнология. 105-113.
3. Егазарьянц С.В. Хроматографические методы анализа нефтепродуктов. (2009). //Вестн. Моск. УН-ТА. Серия 2. 75-97.
4. Мяло О.В., Мяло В.В., Демчук Е.В. Использования метода капельной пробы для теоретического исследования изменения параметров моторного масла. (2021). //Вестник Омского ГАУ №3 (43). Процессы и машины агроинженерных систем. 137-145.
5. Ibrahim, Ahmed & Al-Dhaif, Redha&Elkatatny, Salaheldin&Shehri, Dhafer. (2021). Applications of Artificial Intelligence to Predict Oil Rate for High Gas-Oil Ratio and Water-Cut Wells. ACS Omega. XXXX. 10.1021/acsomega.1c01676.
6. Ohtani T. Application of AI to Oil Refineries and Petrochemical Plants. (2020). Yokogawa Technical Report English Edition Vol.63 No.1. 7-10.
7. Keartland, Sarah & van Zyl, Terence. (2020). Automating predictive maintenance using oil analysis and machine learning. 1-6. 10.1109/SAUPEC/RobMech/PRASA48453.2020.9041003.
8. Liu, Shoubao&Dang, Yanyang& Li, Ruijian. (2022). Research onon-linemonitoringdatacleaningoftransformeroilchromatogrambasedonmachinelearningandneuralnetworks. Journal of Physics: Conference Series. 2271. 012027. 10.1088/1742-6596/2271/1/012027.
© Нурлыгаянов Т.Р., Демин А. Ю., 2023
