РАЗРАБОТКА МОДЕЛЕЙ АТМОСФЕРНОГО БЛОКА УСТАНОВКИ ПЕРВИЧНОЙ ПЕРЕРАБОТКИ НЕФТИ НА ОСНОВЕ ДОСТУПНОЙ ИНФОРМАЦИИ РАЗЛИЧНОГО ХАРАКТЕРА
DOI:
https://doi.org/10.52167/1609-1817-2025-138-3-264-273Ключевые слова:
нечеткая информация, нечеткая модель, атмосферный блок, бензин, лицо принимающее решениеАннотация
В настоящее время разработка моделей сложно формализуемых объектов, характеризующиеся нечеткостью является одним из актуальных вопросов науки и практики. В связи с этим целью и задачами данной работы является разработка на основе имеющейся статистической и нечеткой информации эффективных моделей атмосферного блока, некоторые параметры которого характеризуются нечеткостью. В ходе исследований системно используются методы регрессионного анализа, экспертной оценки и теории нечетких множеств. В результате исследований созданы эффективные модели ректификационной и атмосферной колонн атмосферного блока установки первичной переработки нефти. Идентифицированы статистические модели, определяющие объем нефтепродуктов на выходе этих колонн, и нечеткие модели, оценивающие качество получаемых нефтепродуктов. Структуры моделей, определяющих объем и качество продукции, идентифицированы с использованием идеи метода последовательного включения регрессоров, а идентификация неизвестных параметров осуществлено путем модификации метода наименьших квадратов. Для параметрической идентификации использован пакет программ REGRESS. Идентификация нечетких параметров проводится на основе множеств уровня α методов нечетких множеств. Разработанный комплекс моделей позволяет определить эффективные режимы работы объектов исследования в производственной ситуации, характеризующейся нечеткостью.
Библиографические ссылки
[1] Сулейменов E.Б., Tулеуов Ж.Н. Технологический регламент установки первичной переработки нефти ЭЛОУ-АТ-2. -Атырау, изд. АУНГ, 2019, - 112 с.
[2] Beltramini J.N., Lu G.Q. Processing of Primary and Secondary Fuels: Perspective on Petroleum Refining//Energy Storage Systems. 2020. Vol. 2(1). -P. 1-28. http://www.eolss.net/Eolss-sampleAllChapter.aspx
[3] Orazbayev B., Ospanov Ye., Makhatova V., Salybek L., Abdugulova Z, Suleimenova S,.Orazbayeva K. Methods of Fuzzy Multi-Criteria Decision Making for Controlling the Operating Modes of the Stabilization Column of the Primary Oil-Refining Unit // Mathematics. 2023. Vol. 11, 2820. -Р. 1–20. https://doi.org/10.3390/ math11132820
[4] Кафаров В.В., Глебов М.Б. Математическое моделирование основных технологических объектов химического производства. – Москва: Высшая школа. 417 с.
[5] Жоров М. Расчеты и моделирование термокаталитических процессов в нефтепереработке. - Москва: Энергоатомиздат, 2015. - 307 с.
[6] Zahedi S. Modeling of operating modes of technological units of oil refineries //. Petroleum & Coal. 2018. Vol. 67, № 3, -Р. 33–49.
[7] Douglas A.M., Danny A.M. Statistical Methods in Experimental Pathology: A Review and Primer//The American Journal of Pathology. 2021. Vol. 191. І 5. -Р. 784–794 https://doi.org/10.1016/j.ajpath.2021.02.009
[8] Zhuang W., Li Y., Qiu G, Statistical inference for a relaxation index of stochastic dominance under density ratio model // Journal of Applied Statistics, 2022, Vol. 49, № 15, -Р. 3804–3822, https://doi.org/ 10.1080/02664763.2021.1965966
[9] Fayaz M., Ahmad S., Ullah I., Kim D. A Blended Risk Index Modeling and Visualization Based on Hierarchical Fuzzy Logic for Water Supply Pipelines Assessment and Management // Processes. 2018, Vol. 6, -P. 02–112.
[10] Алиев Р.А., Церковный А.Е., Мамедова Г.А. Управление производством при нечеткой исходной информации. Издательство Энергоатомиздат. – Москва, 2018, - 250 c.
[11] Chen F, Qiu X., Alattas K.A., Mohammadzadeh A., Ghaderpour E. A New Fuzzy Robust Control for Linear Parameter-Varying Systems // Mathematic, 2022, Vol. 10, № 18, 3319, -Р. 37-55. https://doi.org/10.3390/math10183319
[12] Wen Z.Z., Wang, Hui W.D. Statistical inference for generalized random coefficient autoregressive model // Mathematical and Computer Modelling. 2018. Vol. 56. -P. 152-166.
[13] Freedman D.A. Statistical Models, Cambridge University Press. 2019, - 327 p.
[14] Douglas A.M., Danny A.M. Statistical Methods in Experimental Pathology: A Review and Primer//The American Journal of Pathology. 2021. Vol. 191. № 5. -Р. 784–794 https://doi.org/10.1016/j.ajpath.2021.02.009
[15] Reverberi A.P., Kuznetsov N.T., Meshalkin V.P., Salerno M., Fabiano B. Systematical Analysis of Chemical Methods in Metal Nanoparticles Synthesis//Theoretical Foundations of Chemical Engineering. 2016. Vol. 50, №1. -P.63-75.
[16] Гуцыкова С. Методы экспертных оценок. Теория и практика. - М.: Когито-Центр. 2017. - 144 с.
[17] Zimmermann H.-J. Fuzzy Set Theory – and Its Applications. Springer Science+Business Media, LLC. Fifth Edition 2018; p.525. DOI: 10.1007/978-94-010-0646-0
[18] Orazbayev B.B., Zhumadillayeva A., Kabibullin M., James M.C., Orazbayeva K., Yue X.G. A Systematic Approach to the Model Development of Reactors and Reforming Furnaces with Fuzziness and Optimization of Operating Modes// IEEE Access 2023, Vol. 11. -P.74980–74996. DOI 10.1109/ACCESS.2023.3294701
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2024 Лаззат Салыбек
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
