ПРИМЕНЕНИЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПРОГНОЗИРОВАНИЯ ПРОИЗВОДСТВО БЕНЗИНА
DOI:
https://doi.org/10.52167/1609-1817-2025-137-2-445-456Ключевые слова:
машинное обучение, метод опорных векторов, алгоритм оптимизации, искусственный интеллект, каталитический крекинг жидкости (FCC)Аннотация
В статье представлен подход машинного обучение к моделированию реакторно – регенераторного блока установки каталитического крекинга нефтеперерабатывающего завода. Для повышения эффективности процесса исследованы влияние основных параметров процесса крекинга на количество и качество вырабатываемой продукции. В статье был проанализирован методы машинного обучения и определено, какой подход лучше всего подходит для исследования. С помощью метода машинного обучения SVM было исследовано влияние температуры продукта на блок керкинга. По результатам исследования и обработки собранной количественной и качественной информации с помощью модели машинного обучения были созданы регрессионные алгоритмы и изучено влияние температуры на выходной продукт.
Библиографические ссылки
[1] Оразбаев Б.Б., Оразбаева К.Н., Кожахметова Д.О., Жанбирова Г.А. Задачи принятия решений по управлению блоком риформинга установки каталитического крекинга и эвристические методы их решения. Вестник КазНИТУ им. К.И. Сатпаева, №4(128), 2018. - С. 90-95.
[2] Blagirev A., Hapaeva N. Big Data plain language. Business Book, ACT. 2019
[3] Егоров A. Cовременные методы и алгоритмы систем автоматизации в НГК. Отраслевой научно-производственный журнал «Автоматизация и IT в нефтегазовой области», №2(52) 2023 С.36-49.
[4] Тугашова Л.Г., Затонский А.В. Моделирование и прогнозирование производства нефтепродуктов с учетом сезонности на основе авторегрессионных моделей. Известия Томского политехнического университета. Инжиниринг георесурсов. 2020. Т. 331. № 5. 109–119. DOI 10.18799/24131830/2020/5/2641
[5] Бухтояров В. В. Некрасов И. С. Тынченко В. С. Башмур К. А. Сергиенко Р. Б. Применение прогнозирующих алгоритмов машинного обучения к процессам нефтепереработки в рамках интеллектуальной автоматизации. SOCAR Proceedings. Научные труды НИПИ Нефтегаз ГНКАР. 2022 .- № S1 С.012-020.
[6] Краснянский М. Н., Обухов А. Д., Соломатина Е. М., Воякина А. А. Сравнительный анализ методов машинного обучения для решения задачи классификации документов научно-образовательного учреждения. Вестник ВГУ, 2018, № 3. с. 173-182.
[7] Ccoicca Y. Applications of support vector machines in the exploratory phase of petroleum and natural gas: a survey. International Journal of Engineering and Technology, 2023, vol.2, рр.113-125.
[8] Zhang X., Wen Z. Thoughts on the development of artificial intelligence combined with RPA. Journal of Physics: Conference Series, 2021, pp. 355−360.
[9] Garcia-Ceja E., Hugo A., Morin B. Towards the automation of a chemical sulphonation process with machine learning. In: 7th International Conference on Control, Mechatronics and Automation. 2019, Novembe.
[10] Austin P., Tu J. Automated variable selection methods for logistic regression produced unstable models for predicting acute myocardial infarction mortality. Journal of Clinical Epidemiology, 2004, vol.11, pp.138-146.
[11] Li L., Zhang Y., Zhao Y. K-nearest neighbors for automated classification of celestial objects. Science in China Series G: Physics, Mechanics and Astronomy. 2008, vol. 51. pp. 916–922.
[12] Beg R., Palaniswami M., Owen B. Support vector machines for automated gait classification. IEEE Transactions on Biomedical Engineering. 2005, vol. 52, pp. 828-838.
[13] Huang J., Ng M., Rong H. Automated variable weighting in k-means type clustering IEEE Transactions on Pattern Analysis and Machine Intelligence. 2005, vol. 27, no 5, pp. 657-668
[14] Liu Y., Singleton A., Arribas-Bel D. A principal component analysis (PCA)-based framework for automated variable selection in geodemographic classification. Geo-spatial Information Science, 219, vol. 22, p. 251-264.
[15] Hugh Howey. Machine learning. Turkey: Ithaki yayınları. 2022, p. 376.
[16] Naveen, B., Ray, A. K., Rangaiah, G. P. Modeling, simulation, and multi-objective optimization of an industrial hydrocracking unit. Industrial & Engineering Chemistry Research, 2006, 45(4), р. 1354-1372
[17] D. Kalkar, Pramila M. Chawan. Recommendation System using Machine Learning Techniques. International Research Journal of Engineering and Technology (IRJET). Volume: 09 Issue. 09. 2022. р. 1038-1043
[18] Ana Rita Nogueira, João Gama, Carlos Abreu Ferreira. Causal discovery in machine learning: Theories and applications. Journal of Dynamics & Games, 2021, 8(3): р.203-213. Doi: 10.3934/jdg.2021008
[19] Xin-She Yang, In Introduction to Algorithms for Data Mining and Machine Learning, 2019, P. 91-108. https://doi.org/10.1016/B978-0-12-817216-2.00012-0
[20] LI LiLi, ZHANG YanXia1 & ZHAO YongHeng. K-Nearest Neighbors for automated classification of celestial objects. Science in China Series G: Physics, Mechanics & Astronomy. Jul. 2008, vol.51, no. 7. P. 916-922
[21] Support Vector Machines for Automated Gait Classification. IEEE transactions on bio-medical engineering 52(5):828-38. VOL. 52, NO. 5, June 2005. P. 828-838.
[22] J. Huang, M. Ng, H. Rong, Z. Li, «Automated variable weighting in k-means type clustering» IEEE Trans. Pattern Anal., vol.27, no.5, pp.657–668,2005
[23] Ledisi G. Kabari, Believe B. Nwamae. Principal Component Analysis (PCA) - An Effective Tool in Machine Learning. International Journals of Advanced Research in Computer Science and Software Engineering. Volume-9, Issue-5, 2019. P. 56-59.
[24] Alaa Tharwat. Principal component analysis - a tutorial. International Journal of Applied Pattern Recognition. Volume 17, 2016. pp 197-240. DOI:10.1504/IJAPR.2016.079733
[25] Jehad Ali, Rehanullah Khan, Nasir Ahmad, Imran Maqsood. Random Forests and Decision Trees. International Journal of Computer Science Issues. Vol. 9, Issue 5, No 3, September 2012. P. 272-278
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Динара Кожахметова
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
