Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình ResNet bản đồ tự tổ chức với nhiều đầu vào cho tối ưu hóa các đơn vị chuyển đổi trong nhà máy chế biến dầu mỏ
Tóm tắt
Nghiên cứu này giới thiệu một mạng học sâu, tức là mạng ResNet bản đồ tự tổ chức với nhiều đầu vào (MISR), để mô hình hóa các đơn vị tinh chế gồm hai lò phản ứng và một chuỗi tách. Mô hình bao gồm phần bản đồ tự tổ chức và phần mạng nơ-ron. Phần bản đồ tự tổ chức ánh xạ dữ liệu đầu vào vào nhiều mặt phẳng hai chiều và gửi chúng đến phần mạng nơ-ron. Trong phần mạng nơ-ron, các khối dư (residual blocks) cải thiện độ hội tụ và độ chính xác, đảm bảo rằng cấu trúc sẽ không bị overfitting dễ dàng. Sự phát triển của mô hình MISR cho đơn vị phân hủy thủy cũng được hưởng lợi từ việc sử dụng kiến thức trước đó về tầm quan trọng của các biến đầu vào trong việc dự đoán các tính chất của sản phẩm. Kết quả cho thấy cấu trúc MISR được đề xuất dự đoán chính xác hơn về năng suất và tính chất của sản phẩm so với mô hình mạng nơ-ron tích chập bản đồ tự tổ chức đã được giới thiệu trước đó, từ đó dẫn đến tối ưu hóa hoạt động của máy phân hủy thủy một cách chính xác hơn. Hơn nữa, mô hình MISR có sự hội tụ lỗi mượt mà hơn so với mô hình trước đó. Điều kiện hoạt động tối ưu đã được xác định thông qua các thuật toán sinh đám mây nhiều vòng và tiến hóa vi phân. Các thí nghiệm số cho thấy mô hình MISR phù hợp cho việc mô hình hóa các đơn vị chuyển đổi phi tuyến thường gặp trong các nhà máy chế biến và hóa dầu.
Từ khóa
#Mạng học sâu #bản đồ tự tổ chức #ResNet #tối ưu hóa #đơn vị chế biến dầu mỏ #mô hình hóa phi tuyến.Tài liệu tham khảo
Marafi A, Albazzaz H, Rana M S. Hydroprocessing of heavy residual oil: opportunities and challenges. Catalysis Today, 2019, 329: 125–134
Iplik E, Aslanidou I, Kyprianidis K. Hydrocracking: a perspective towards digitalization. Sustainability, 2020, 12(17): 7058
Ward J W. Hydrocracking processes and catalysts. Fuel Processing Technology, 1993, 35(1): 55–85
Sánchez S, Rodríguez M A, Ancheyta J. Kinetic model for moderate hydrocracking of heavy oils. Industrial & Engineering Chemistry Research, 2005, 44(25): 9409–9413
Kumar H, Froment G F. Mechanistic kinetic modeling of the hydrocracking of complex feedstocks, such as vacuum gas oils. Industrial & Engineering Chemistry Research, 2007, 46(18): 5881–5897
Félix G, Ancheyta J. Using separate kinetic models to predict liquid, gas, and coke yields in heavy oil hydrocracking. Industrial & Engineering Chemistry Research, 2019, 58(19): 7973–7979
Singh J, Kumar M, Saxena A K, Kumar S. Reaction pathways and product yields in mild thermal cracking of vacuum residues: a multi-lump kinetic model. Chemical Engineering Journal, 2005, 108(3): 239–248
Qader S, Hill G. Hydrocracking of gas oil. Industrial & Engineering Chemistry Process Design and Development, 1969, 8(1): 98–105
Bhutani N, Ray A K, Rangaiah G. Modeling, simulation, and multi-objective optimization of an industrial hydrocracking unit. Industrial & Engineering Chemistry Research, 2006, 45(4): 1354–1372
Laxminarasimhan C S, Verma R P, Ramachandran P A. Continuous lumping model for simulation of hydrocracking. AIChE Journal, 1996, 42(9): 2645–2653
Lababidi H M S, AlHumaidan F S. Modeling the hydrocracking kinetics of atmospheric residue in hydrotreating processes by the continuous lumping approach. Energy & Fuels, 2011, 25(5): 1939–1949
Quann R J, Jaffe S B. Structure-oriented lumping: describing the chemistry of complex hydrocarbon mixtures. Industrial & Engineering Chemistry Research, 1992, 31(11): 2483–2497
Becker P J, Serrand N, Celse B, Guillaume D, Dulot H, Comparing hydrocracking models: continuous lumping vs. single events. Fuel, 2016, 165: 306–315
Becker P J, Serrand N, Celse B, Guillaume D, Dulot H. A single events microkinetic model for hydrocracking of vacuum gas oil. Computers & Chemical Engineering, 2017, 98: 70–79
Rosli M, Aziz N. Review of neural network modelling of cracking process. In: Second International Conference on Chemical Engineering (ICCE). Bandung, Indonesia: IOP, 2016
Bhutani N, Rangaiah G P, Ray A K. First-principles, data-based, and hybrid modeling and optimization of an industrial hydrocracking unit. Industrial & Engineering Chemistry Research, 2006, 45(23): 7807–7816
Fang H, Zhou J, Wang Z, Qiu Z, Sun Y, Lin Y, Chen K, Zhou X, Pan M. Hybrid method integrating machine learning and particle swarm optimization for smart chemical process operations. Frontiers of Chemical Science and Engineering, 2022, 16(2): 274–287
Ma Y, Gao Z, Shi P, Chen M, Wu S, Yang C, Wang J, Cheng J, Gong J. Machine learning-based solubility prediction and methodology evaluation of active pharmaceutical ingredients in industrial crystallization. Frontiers of Chemical Science and Engineering, 2022, 16(4): 523–535
McGreavy C, Lu M, Wang X Z, Kam E K T. Characterisation of the behaviour and product distribution in fluid catalytic cracking using neural networks. Chemical Engineering Science, 1994, 49(24): 4717–4727
Ochoa-Estopier L M, Jobson M, Smith R. Operational optimization of crude oil distillation systems using artificial neural networks. Computers & Chemical Engineering, 2013, 59: 178–185
Yang F, Dai C, Tang J, Xuan J, Cao J. A hybrid deep learning and mechanistic kinetics model for the prediction of fluid catalytic cracking performance. Chemical Engineering Research & Design, 2020, 155: 202–210
Song W, Mahalec V, Long J, Yang M, Qian F. Modeling the hydrocracking process with deep neural networks. Industrial & Engineering Chemistry Research, 2020, 59(7): 3077–3090
Lecun Y, Bottou L, Bengio Y, Haffner P. Gradient-based learning applied to document recognition. Proceedings of the IEEE, 1998, 86(11): 2278–2324
Ioffe S, Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift. In: International Conference on Machine Learning. Lille, France: JMLR, 2015
Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks. Communications of the ACM, 2017, 60(6): 84–90
Szegedy C, Liu W, Jia Y Q, Sermanet P, Reed S, Anguelov D, Erhan D, Vanhoucke V, Rabinovich A. Going deeper with convolutions. In: 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston, MA: IEEE, 2015
He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. In: 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV: IEEE, 2016
Zhao R, Yan R, Chen Z, Mao K, Wang P, Gao R X. Deep learning and its applications to machine health monitoring. Mechanical Systems and Signal Processing, 2019, 115: 213–237
Serin G, Sener B, Ozbayoglu A M, Unver H O. Review of tool condition monitoring in machining and opportunities for deep learning. International Journal of Advanced Manufacturing Technology, 2020, 109(3): 953–974
Souza R M, Nascimento E G, Miranda U A, Silva W J, Lepikson H A. Deep learning for diagnosis and classification of faults in industrial rotating machinery. Computers & Industrial Engineering, 2021, 153: 107060
Yuan J, Tian Y. A multiscale feature learning scheme based on deep learning for industrial process monitoring and fault diagnosis. IEEE Access: Practical Innovations, Open Solutions, 2019, 7: 151189–151202
Elhefnawy M, Ragab A, Ouali M S. Fault classification in the process industry using polygon generation and deep learning. Journal of Intelligent Manufacturing, 2022, 33(5): 1531–1544
Glaeser A, Selvaraj V, Lee S, Hwang Y, Lee K, Lee N, Lee S, Min S. Applications of deep learning for fault detection in industrial cold forging. International Journal of Production Research, 2021, 59(16): 4826–4835
Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. In: International Conference on Learning Representations. San Diego, CA: OpenReview.net, 2015
Xie S, Girshick R, Dollár P, Tu Z, He K. Aggregated residual transformations for deep neural networks. In: 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, HI: IEEE, 2017
Zagoruyko S, Komodakis N. Wide residual networks. In: Proceedings of the British Machine Vision Conference (BMVC). York, UK: BMVA, 2016