CC BY
11
Шулаева Е. А. Shulaeva E. Л.
кандидат технических наук, доцент кафедры «Автоматизированные технологические и информационные системы»,
ФГБОУВО «Уфимский государственный нефтяной технический университет», филиал, г. Стерлитамак, Российская Федерация
Маштанов Н. М. Mashtanov N. М.
студент кафедры «Автоматизированные технологические и информационные системы»,
ФГБОУ ВО «Уфимский государственный нефтяной технический университет», филиал, г. Стерлитамак, Российская Федерация
Иванов А. Н. Ivanov Л. N.
аспирант, ФГБОУ ВО «Башкирский государственный университет», г. Уфа, Российская Федерация
УДК 004.94
DOI: 10.17122/1999-5458-2019-15-4-107-113
МОДЕЛИРОВАНИЕ РТУТНОГО ЭЛЕКТРОЛИЗЕРА ДЛЯ ПОЛУЧЕНИЯ КАУСТИЧЕСКОЙ СОДЫ С ПРИМЕНЕНИЕМ НЕЙРОННОЙ СЕТИ
Искусственные нейронные сети (ИНС) являются удобным и естественным базисом для представления информационных моделей и обладают рядом преимуществ. Они не требуют формализации задачи и позволяют адаптировать свойства нейросетевой модели к задачам теоретически неограниченной размерности и сложности.
Единственным требованием является возможность описания моделируемого явления непрерывными функциями. Скорость создания нейросетей существенно выше, чем моделей, создаваемых традиционными методами, а трудоемкость разработки ниже. Кроме того, метод нейронных сетей являются новым, перспективным и активно развивающимся, что в условиях усложнения технологических моментов позволяет оставаться конкурентоспособным.
Данная работа посвящена нейросетевому моделированию режима работы ртутного электролизера при получении чистой каустической соды. Взаимосвязи между параметрами электролизера весьма сложны, вследствие чего использование традиционных методов моделирования неэффективно, причем отклонение параметров электролизера от нормальных может привести к катастрофическим последствиям.
В ходе работы разработана нейросетевая модель работы ртутного электролизера. Для создания и обучения нейронных сетей была использована программа Deductor Academic.
Целью данной работы являлось создание точной модели ртутного электролизера при помощи следующих задач: проектирование оптимальных структур нейронных сетей и процесса их обучения, создание модели электролизера путем обучения нейронных сетей, а также обработка результатов моделирования.
В результате данной работы была разработана нейросетевая модель, которая позволяет рассчитывать быстро и точно результат работы электролизера при любых начальных условиях.
Ключевые слова: нейронная сеть, ртутный электролизёр, каустическая сода, моделирование, нейросетевой метод, resilent propagation.
-107
Электротехнические и информационные комплексы и системы. № 4, т. 15, 2019
MODELING OF THE MERCURY ELECTROLYTIC CELL TO OBTAIN CAUSTIC SODA USING A NEURAL NETWORK
Artificial neural networks (ANN) are a convenient and natural basis for the presentation of information models, and have several advantages. They do not require formalization of the problem and allow adapting the properties of the neural network model to problems of theoretically unlimited dimension and complexity.
The only requirement is the ability to describe phenomenon by continuous functions. The speed of creating neural networks is significantly higher than the models created by traditional methods, and the complexity of development is lower. In addition, the method of neural networks is a new, promising and actively developing, which, given the complexity of technological issues, allows to remain competitive.
This work is devoted to neural network modeling of the operation mode of a mercury electrolytic cell when producing pure caustic soda. The interconnections between the parameters of the electrolytic cell are very complex, as a result of which the use of traditional modeling methods is inefficient, and the deviation of the parameters of the electrolytic cell from normal can lead to catastrophic consequences.
In the course of work, a neural network model of the operation of a mercury electrolytic cell was developed. The Deductor Academic program was used to create and train neural networks.
The aim of this work was to create an accurate model of a mercury electrolytic cell using the following tasks: designing optimal structures of neural networks and the process of their training, creating an electrolytic cell model by training neural networks, and also processing modeling results.
As a result of this work, a neural network model was developed, which allows you to quickly and accurately calculate the result of the electrolytic cell operation under any initial conditions.
Key words: neural network, mercury electrolytic cell, caustic soda, modeling, neural network method, resilient propagation.
Стремительно развивается направление прикладной математики, специализирующееся на искусственных нейронных сетях. Искусственные нейронные сети используют для распознания образов таких высоких технологий, как Google, Yandex и др. В передовых нефтяных компаниях инициируются и разрабатываются проекты по принципу интеллектуального месторождения. С учетом мировых и российских инновационных тенденций в нефтяной отрасли происходит модернизация нефтегазовой промышленности в сферах интеллектуализации месторождений и высоких технологий [1], в том числе и производства каустической соды.
Взаимосвязь параметров режима работы ртутного электролизёра является достаточно сложной. Так, напряжение на рамах электролизера зависит от силы тока и от сопротивления раствора (по закону Ома). Однако сопротивление раствора зависит от: температуры раствора, концентрации хлористого натрия в растворе и газонаполнения раствора пузырьками хлора. Последнее зависит от давления хлорогаза и множества других
параметров, в том числе и от напряжения (рисунок 1).
Рисунок 1. Взаимосвязь параметров электролизера
Отклонения таких показателей, как ток и напряжение, при работе ртутного электролизера может привести к следующим последствиям:
— увеличение силы тока приводит к увеличенному образованию хлора, повышению давления в коллекторе хлора, что может вызвать разрыв трубопроводов, поломку компрессоров хлора, а также повреждение самого электролизера вплоть до взрыва;
— рост силы тока и напряжения вызывают увеличение тепловых потерь в ходе
электролиза, за счет чего повышается температура электролита и ртути. Данное обстоятельство может привести к вскипанию электролита и, как следствие, к аварии;
— повышенное напряжение приводит к снижению перенапряжения водорода (т.е. к росту его выделения в ходе электролиза воды). Выделяющийся водород образует взрывоопасную смесь с хлором, что может стать причиной крупной аварии;
— низкий ток приведет к снижению образования хлора, а также натрия в амальгаме, что снизит производительность. Также упадет качество за счет большей доли примесей в технологических потоках;
— низкое напряжение (ниже перенапряжения по хлору) приведет к полному прекращению процесса электролиза хлористого натрия [2].
Нейросетевое моделирование режима работы ртутного электролизера предупреждает возникновение всех этих негативных явлений, тем самым обеспечивая безопасность технологического процесса.
Объектом моделирования в данной работе является ртутный электролизер для производства каустической соды.
Входные параметры для моделирования режима работы ртутного электролизера: водородный показатель рН рассола на электролизере (рН); сила тока на электролизер, кА (I); расход обессоленной воды в передние карманы электролизной ванны, м3/ч (Q_aqua); температура обессоленной воды, °С (T_aqua); температура рассола на электролизеры, °С (Т_^); концентрация №С1 в рассоле, г/л (С_№С1_^); объемный расход рассола на электролизеры, м3/ч объемный расход
ртути в электролизере, м3/ч
Выходные параметры для моделирования режима работы ртутного электролизера: температура анолита, °С (Т_апоШ); напряжение рамы электролизера № 1, В (Е1); напряжение рамы электролизера № 2, В (Е2); напряжение рамы электролизера № 3, В (Е3); напряжение рамы электролизера № 4, В (Е4); объемная доля водорода в хлорогазе, % об. (С_Н2_т_ С12); концентрация хлора в хлорогазе, % об. (С_С12); температура хлорогаза, °С (Т_С12); разряжение хлорогаза, мм.вод.ст. (Р_С12);
концентрация NaCl в анолите, г/л (C_NaCl_ anolit).
Для моделирования в качестве данных использованы значения параметров электролизера в разные моменты времени. Эти данные получены опытным путем и загружены в программу Deductor Academic.
Имеющиеся данные использованы для построения и обучения нейронных сетей. Обученные нейронные сети использованы для расчета ими возможных значений параметров электролизера.
В рамках данной статьи была представлена модель для следующих выходных параметров: объемная доля водорода в хлорогазе (C_H2_in_Cl2), концентрация хлора в хлорогазе (C_Cl2), температура хлорогаза (T_Cl2), разряжение хлорогаза (P_Cl2).
Необходимое количество нейронов в скрытых слоях персептрона можно определить по формуле, являющейся следствием теорем Арнольда-Колмогорова-Хехт-Ниль-сена [3-7]:
N Q О
-у——<N <N (-^- + 1 )(N +N +1 ) + N ,
1 + log2{Q) w >KNx A * ' }
44676 <^<8.(^ + 1H4+8+1)+8,
l + log2(1676)
8
573 < < 10950, где Ny — размерность выходного сигнала (N,=4);
Nw — необходимое число синаптических связей;
N — размерность входного сигнала (N.=8);
Q — число элементов множества обучающих примеров ^=1676).
Оценив с помощью этой формулы необходимое число синаптических связей можно рассчитать необходимое число нейронов в скрытых слоях. Например, число нейронов в скрытых слоях двухслойного персеп-
N.
трона будет равно: N =
Nr + N„
Минимальное число нейронов равно: 573
N = — = 40.
8 + 4
Максимальное число нейронов: 10950
N =
8 + 4
= 912.
Для обучения первой нейросети выбирается минимальное значение нейронов на единственном скрытом слое — 40.
Далее необходимо определить максимально допустимую ошибку. Выходной параметр непрерывен, лежит в интервале от 0,709 до 1,279. На производстве каустической соды точность измерения объемной доли водорода в хлорогазе составляет 0,01 %. Именно с такой точностью было дано напряжение в исходных данных. Таким образом, минимальная ошибка должна составлять не
более, чем а = 0,01ч---г = 0,018.
|0,709 + 1,279|
Устанавливается значение ошибки равным 0,005. Количество эпох равно 1000.
Аналогично создается вторая нейросеть с одним скрытым слоем. Параметры аналогичны предыдущей сети за исключением числа нейронов на скрытом слое — оно равно максимальному значению и равняется 912 нейронов. Обучение завершилось после превышения количества эпох (рисунок 3).
Третья нейросеть создается с двумя скрытыми слоями. Количество нейронов в обоих скрытых слоях одинаково. Формула количества синаптических связей:
В таблице 1 представлены параметры обучения нейронных сетей.
Таблица 1. Параметры обучения нейронных сетей
Обучающее множество (строк) 1676 (80 %)
Тестовое множество (строк) 419 (20 %)
Тип функции Сигмоида
Крутизна 1
Алгоритм RPROP
Шаг спуска 0,5
Шаг подъема 1,2
Допустимая ошибка 0,05
Количество эпох 1000
На рисунке 2 представлен результат обучения первой нейронной сети 8x40x4 после превышение количества эпох обучения.
N•8 + ^ +N-4 = 1616.
Решая полученное уравнение, находим его положительный корень: N=89,789 ~ 99.
Таким образом, создаем сеть с 2 скрытыми слоями по 99 нейронов в каждом. Обучение завершилось после превышения количества эпох (рисунок 4).
0 Мастер обработки - Нейросеть (6 из 3)
Обучение нейронной сети
■Запуск процесса обучения нейронной сети
Обучающее множество 0 0 Макс, ошибка
1,71Е-01
0 [7] Средн. ошибка | 2,96Е-03 Распознано [%) 99,70
Тестовое множество 0 0 Макс, ошибка
4.87E-Ü2
0 0 Средн. ошибка | 3.56Е-03 Распознано [%} 100.00
1.00Е-01 --
1.00Е-02
Эпоха
1000
Время обучения
00:04:54
Темп обновления
О
Рестарт ► Пуск
и
[ Пауза
Стоп
< Назад Далее >
Отмена
Рисунок 2. Результат обучения сети 8x40x4
Мастер обработки - Нейросеть (б из 8)
0
Обучение нейронной оетн
Запуск процесса обучения нейронной сети
Обучающее множество 0 Ш1 Макс, ошибка
1,51 Е-01
0 3 Средн. ошибка 2..43E-Ü3 Распознано[%} 99,82
Тестовое множество
0 0 Макс, ошибка 4.1 БЕ-02
0 [7] Средн. ошибка 3.15Е-03
Распознано (%) I 100.00
Эпоха
1000
Время обучения
05:34:16
1.00Е-01 -1.00Е-02-
910 920 930 940 950 960 970 980 990
Темп обновления
0
Рестарт Дуск
И
[ Пауза
Стоп
< Назад
Далее >
Отмена
Рисунок 3. Результат обучения сети 8*912*4
Мастер обработки - Нейросеть (6 из 8)
©
Обучение нейронной сети
Запуск процесса обучения нейронной сети
Л
Обучающее множество 0 0 Макс, ошибка
173E-Ü1
0 Средн. ошибка Распознано \%\
2,01 Е-03
99,88
Тестовое множество 0 3 Макс, ошибка
0 Средн. ошибка Распознано [%]
1.00Е-01
3.80Е-03
99.52
Эпока
1000
В ремя обучения
01:50:55
1.00Е-01 -1.00Е-02 - ■ i
■ i ■ i ■ i ■ i ■ i ■ i ■ i ■ i
i i ■ i ■ i
■ i i i
910 920 930 940 950 960 970 980 990
Темп обновления
0
I I Рестарт Пуск
[ Пауза
Стоп
< Назад
Далее >
Отмена
Рисунок 4. Результат обучения сети 8*99*99*4
Наконец проводится выбор наиболее ства. После сравнения представленных в точной нейросети. Критерием для выбора таблице 2 результатов наиболее точной ока-является средняя ошибка тестового множе- залась нейросеть 8*912*4.
Таблица 2. Сравнение результатов обучения нейронных сетей
Нейросеть I II III
Число скрытых слоев 1 1 2
Число нейронов 40 912 99 / 99
Время обучения 4 мин 54 с 5 ч 34 мин 16 с 1 ч 50 мин 55 с
Обучающее множество
Распознано, % 99,70 99,82 99,88
Максимальная ошибка 0,0171 0,0151 0,0179
Средняя ошибка 0,000296 0,000243 0,000201
Тестовое множество
Распознано, % 100,00 100,00 99,52
Максимальная ошибка 0,00487 0,00416 0,01000
Средняя ошибка 0,000356 0,000315 0,000380
Выводы
В ходе данной работы были расчитаны нейросетевые модели получения хлорогаза ртутного электролизера и выбрана наиболее точная. Полученная нейросетевая модель режима работы ртутного электролизёра обладает высоким потенциалом к практическому использованию. Так, она может быть внедрена на производство каустической соды
Список литературы
1. Подольский А.К. Применение методов искусственного интеллекта в нефтегазовой промышленности // Современная наука. 2016. № 3. С. 33-36.
2. Бесчатнов М.В., Соколов В.М., Кац М.И. Аварии в химических производствах и меры их предупреждения. М.: Химия, 1976. 368 с.
3. Арнольд В.И. О функциях трех переменных // Докл. АН СССР 1957. Т. 114, № 4. С. 679-681.
4. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиций непрерывных функций одного переменного и сложения // Докл. АН СССР. 1957. Т. 114. С. 953-956.
5. Уоссермэн Ф. Нейрокомпьютерная техника: Пер. с англ. М.: Мир, 1992. 236 с.
6. Kolmogorov A.N. On the Representation of Continuous Functions of Many Variables by Superposition of Continuous Functions of One Variable and Addition // American Math. Soc. Transl. 1963. No. 28, pp. 55-63.
для системы безопасности и предсказания аварийных ситуаций, а также использована для расчёта параметров электролизёра при его проектировании и реконструкции. Данный метод моделирования также может быть использован для технологической установки любой сложности при условии наличия экспериментальных данных.
7. Hecht-Nielsen R. Kolmogorov's Mapping Neural Network Existence Theorem // IEEE First Annual Int. Conf. on Neural Networks, San Diego. 1987. Vol. 3. P. 11-13.
References
1. Podol'skii A.K. Primenenie metodov iskusstvennogo intellekta v neftegazovoi promyshlennosti [The Application of Artificial Intelligence Methods in the Oil and Gas Industry]. Sovremennaya nauka — Modern Science, 2016, No. 3, pp. 33-36. [in Russian].
2. Beschatnov M.V., Sokolov V.M., Kats M.I. Avarii v khimicheskikh proizvodstvakh i mery ikh preduprezhdeniya [Accidents in Chemical Production and Their Prevention]. Moscow, Khimiya Publ., 1976. 368 p. [in Russian].
3. Arnol'd V.I. O funktsiyakh trekh pere-mennykh [About the Functions of Three Variables]. Doklady AN SSSR — Reports of AS USSR, 1957, Vol. 114, No. 4, pp. 679-681. [in Russian].
4. Kolmogorov A.N. O predstavlenii nepreryvnykh funktsii neskol'kikh peremennykh v vide superpozitsii nepreryvnykh funktsii
odnogo peremennogo i slozheniya [On the Representation of Continuous Functions of Several Variables as Superpositions of Continuous Functions of One Variable and Addition]. Doklady ANSSSR — Reports of AS USSR, 1957, Vol. 114, pp. 953-956. [in Russian].
5. Wossermen F. Neirokomp'yuternaya tekhnika: Per. s angl. [Neurocomputer Technology: Transl. from Engl.]. Moscow, Mir Publ., 1992. 236 p. [in Russian].
6. Kolmogorov A.N. On the Representation of Continuous Functions of Many Variables by Superposition of Continuous Functions of One Variable and Addition. American Math. Soc. Transl., 1963, No. 28, pp. 55-63.
7. Hecht-Nielsen R. Kolmogorov's Mapping Neural Network Existence Theorem. IEEE First Annual Int. Conf. on Neural Networks, San Diego, 1987, Vol. 3, pp. 11-13.
