Контрольная работа №1
по курсу «Моделирование химико-технологических процессов»
Для студентов заочной формы обучения
Введение 2
Программа курса «Моделирование химико-технологических процессов» 3
Задание 1 5
Задание 2 5
Задание 3 6
Задание 4 6
Задание 5 7
Задание 6 7
Задание 7 8
Задание 8 10
Задание 9 11
Введение
В контрольной работе №1 студенты выполняют 9 заданий, согласно варианту, установленному преподавателем при регистрации студента во время установочных лекций.
Контрольная работа оформляется в обычной тетради или на белых листах формата А4. В последнем случае все записи делаются с одной стороны листа. При ответе на теоретические вопросы расстояние между строками должно составлять не менее 1 см. Работа должна быть написана разборчиво.
Оформленная работа регистрируется в
деканате и после этого сдается на
проверку непосредственно преподавателю
(можно оставить в деканате для передачи
преподавателю).
По результатам выполнения работы проводится устное собеседование (во время консультаций или во время сессии). При этом выясняются знания студента по теоретическим вопросам, а также по составленным документам. По результатам устного собеседования преподаватель выписывает «карточку рецензента», которая выдается студенту в межсессионный период для сдачи в деканат или прикрепляется преподавателем к зачетной ведомости в период сессии. Зачтенная контрольная работа остается у преподавателя и хранится в архиве кафедры.
Наличие зачтенной контрольной работы
– обязательное условие для допуска
студента к экзамену в период сессии.
При выполнении контрольной работы студент использует литературу, рекомендованную преподавателем на установочных лекциях (краткий список имеется в конце «Заданий…»), а также любую другую доступную литературу.
В конце работы обязательно следует привести «Список используемой литературы».
Для ответа на теоретические вопросы, особенно по аппаратной части компьютерной техники, следует привлечь периодическую литературу (см. раздел «Рекомендуемая литература»).
Программа курса «Моделирование химико-технологических процессов»
№ раздела | Наименование раздела дисциплины | |
1. | Методы моделирования и области их применения. Основные понятия и определения | Основные понятия и определения. Предмет дисциплины. Значение моделирования в научных исследованиях и промышленной практике. Содержание дисциплины. Роль теоретических и экспериментальных методов в исследованиях. Виды подобия, модели и моделирование. Физическое и математическое моделирование. Адекватность моделей. Моделирование на ЭВМ. Основы классификация методов исследований. Кибернетика. Управление. Система, объект, процесс. Составление и решению дифференциальных уравнений, описывающих процессы химической технологии. Структурные схемы объектов химической технологии |
2. | Общие принципы и этапы построения математической модели | Общие принципы анализа типовых технологических процессов. Общие принципы построения модели процесса. Системный анализ процессов химической технологии Блочный принцип описания объекта исследований. Классификация математических моделей. Схема построения математических моделей процессов химической технологии. Методы проверки адекватности модели и объекта и ее коррекция |
3. | Математическое описание процессов химического превращения (кинетические модели) | Основные
понятия
химической
кинетики.
Особенности
гетерогенных
химических
процессов. |
4. | Математическое описание процессов перемещения веществ (гидродинамические модели) | Модели структуры потоков. Модель идеального перемешивания. Модель идеального вытеснения. Диффузионная модель. Передаточная функция объекта с полузамкнутым каналом и структурой потока, соответствующей диффузионной модели. Ячеечная модель. Комбинированные модели. |
5. | Математические модели химических реакторов | Характеристика
химических
реакторов.
Математические
модели
химических
реакторов
идеального
перемешивания
и
идеального
вытеснения. |
6. | Статистические математические модели | Классификация
и
общий
вид
уравнений
статистических
моделей.
Статистические
модели
объектов
на
основе
пассивного
и
активного
эксперимента
(полный
и
дробный
факторный
эксперимент).
Статистические
модели
области
оптимума
объекта
исследования. |
7 | Постановка задачи анализа ХТС и методы ее решения | Анализ структуры ХТС. Методики определения последовательности расчёта сложной ХТС. Теория графов. Декомпозиционный и интегральный методы расчёта сложной ХТС. |
8 | Оптимизация химико-технологических процессов | Понятие об оптимизации. Критерий оптимальности. Методы решения оптимальных задач. Математические модели как основа оптимизации технологических процессов.
Оптимизация
методом
дифференциального
исчисления.
Поиск
оптимума
численными
методами.
Экспериментальный
поиск
оптимума. |
Методы
определения
кинетических
характеристик
химических
реакций.
Построение
кинетических
моделей
Перечень основной и дополнительной литературы, необходимой для освоения дисциплины
а) основная литература
Основная литература | Режим доступа | Обеспеченность |
О-1. Чистякова, Т. Б. Математическое моделирование химико-технологических объектов с распределенными параметрами [Текст] : учеб. пособ. для вузов / Т. Б. Чистякова, А. Н. Полосин, Л. В. Гольцева. – СПб. : Про-фессия, 2010. – 239 с. | Библиотека НИ РХТУ | Да |
О-2. Примеры и задачи по курсу “Математическое моделирование химико-технологических процессов” [Текст] : учеб. пособ. / Н. А. Самойлов. – 3-е изд., испр. и доп. – СПб. ; М. ; Краснодар : Лань, 2013. – 168 с. – (Учеб. для вузов. Специальная лит.). | Библиотека НИ РХТУ | Да |
Самойлов, Н.
А.б) дополнительная литература
Дополнительная литература | Режим доступа | Обеспеченность |
Д-1.
Гумеров, А.М. Математическое моделирование
химико-технологических процессов
[Электронный ресурс] : учебное пособие
/ А. | ЭБС «ЛАНЬ» Режим доступа: https://e.lanbook.com/book/41014 (дата обращения 01.12.2018). Реквизиты документа договора с ЭБС: соглашение о сотрудничестве от 26.09.17г. | Да |
Д-2. Костюкова, Н.И. Основы математического моделирования [Электронный ресурс] : учебное пособие / Н.И. Костюкова. — Электрон. дан. — Москва : , 2016. — 219 с. | ЭБС «ЛАНЬ» Режим доступа: https://e.lanbook.com/book/100304 (дата обращения 01.12.2018). Реквизиты документа договора с ЭБС: соглашение о сотрудничестве от 26.09.17г. | Да |
Д-3.
Назаров, Д. | ЭБС «ЛАНЬ» Режим доступа: https://e.lanbook.com/book/100487 (дата обращения 01.12.2018). Реквизиты документа договора с ЭБС: соглашение о сотрудничестве от 26.09.17г. | Да |
М. Гумеров. — Электрон. дан. —
Санкт-Петербург : Лань, 2014. — 176 с.
М. Сервисы MATHCAD 14: реализация
технологий экономико-математического
моделирования [Электронный ресурс]
: учебное пособие / Д.М. Назаров, Г.И.
Пожарская. — Электрон. дан. — Москва
: , 2016. — 225 с.Домашняя работа по моделированию химико-технологических процессов | Руководство, Проектов, Исследование Компьютерное моделирование химических процессов
Скачай Домашняя работа по моделированию химико-технологических процессов и еще Руководство, Проектов, Исследование в формате PDF Компьютерное моделирование химических процессов только на Docsity! МИНОБРНАУКИ РОССИИ
РГУ нефти и газа (НИУ) имени И.М. Губкина
Факультет
|Химической технологии и экологии
Кафедра
Физической и коллоидной химии
ДОМАШНЯЯ РАБОТА
Вариант №19
10
по дисциплине Моделирование химико-технологических процессов на тему Решение математического описания ХТП, протекающего в потоке идеального вытеснения в среде MATLAB «К ЗАЩИТЕ» ВЫПОЛНИЛ: Студент группы ХТ-16-06 (номер группы) к.
т.н., с.н.с., доцент Семенов А.П. Рудык Е. М. (должность, ученая степень; фамилия, и.о.) (фамилия, имя, отчество) (подпись) (подпись) (дата) (дата) Москва, 20 19 СОДЕРЖАНИЕ Задание………………………………………………………………………. 3 Разработка математического описания химико-технологического процесса………………………………………………………………………. 4 2 4. Определить при каких значениях времени контакта степень превращения исходных веществ равна 0,10; 0,25; 0,50; 0,75; 0,90; 5. На одной диаграмме построить графики зависимости концентраций участников реакции от времени контакта. 5 РАЗРАБОТКА МАТЕМАТИЧЕСКОГО ОПИСАНИЯ ХИМИКО-ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА Математическая модель протекает по трем реакциям, две из которых являются обратными, необходимо расписать данные реакции по элементарным стадиям. Получили 5 элементарных стадий. Далее, учитывая константы реакции, необходимо написать скорость реакции для каждой стадии: Получив скорости реакций каждой стадии, следует написать скорости реакции для каждого компонента: Математическая модель может быть представлена в виде: где – константы скоростей отдельных реакций процесса; – концентрации реагирующих веществ, моль/л; – линейная скорость потока, м/с; – текущее значение координаты потока (длина, м).
6 Запишем уравнение материального баланса для -го компонента в потоке идеального вытеснения. Так как для потока идеального вытеснения , то можно внести под знак дифференциала, тогда получим: С учетом этого обстоятельства уравнения математического описания можно представить в виде: Выражение в скобках представляет собой среднее время пребывания или время контакта . Тогда уравнения математической модели получают следующий вид: Где время контакта изменяется от 0 до предельного времени контакта. Для удобства выполнения численных расчетов введем безразмерные величины по следующему правилу. Пусть Подставим концентрации и время контакта в математическую модель и таким образом, в окончательном виде она преобретает следующую форму: 7 РЕЗУЛЬТАТЫ РАСЧЕТА Таблица 1 – Исходные данные. Число уравнений: 3 Исходные концентрации участников, моль/л: YA 6 YB 6 YC 0 YD 0 YE 0 Число элементарных стадий: 5 Константы скорости элементарных стадий k1 5 k2 0,5 k3 2 k4 2 k5 0,5 Таблица 2 – Результаты расчета. x YA YB YC YD YE 0,00 6,0000 6,0000 0,0000 0,0000 0,0000 0,10 2,3987 3,1219 5,4095 0,4067 0,3466 0,20 1,7822 2,9115 5,5123 0,2645 0,6647 0,30 1,4989 2,9544 5,2009 0,2402 0,8903 0,40 1,2887 3,0223 4,8772 0,2322 1,0783 0,50 1,1168 3,0903 4,5794 0,2274 1,2399 0,60 0,9735 3,1556 4,3087 0,2243 1,3800 0,70 0,8530 3,2175 4,0629 0,2224 1,5022 10 0,80 0,7513 3,2760 3,8388 0,2215 1,6093 0,90 0,6651 3,3312 3,6342 0,2216 1,7035 1,00 0,5915 3,3830 3,4472 0,2226 1,7868 1,10 0,5283 3,4317 3,2759 0,2244 1,8608 1,20 0,4740 3,4774 3,1185 0,2267 1,9267 1,30 0,4270 3,5203 2,9737 0,2297 1,9857 1,40 0,3862 3,5606 2,8402 0,2333 2,0385 1,50 0,3505 3,5985 2,7168 0,2374 2,0862 1,60 0,3192 3,6340 2,6026 0,2418 2,1293 1,70 0,2916 3,6675 2,4967 0,2467 2,1684 1,80 0,2673 3,6990 2,3982 0,2518 2,2038 1,90 0,2457 3,7286 2,3066 0,2573 2,2362 2,00 0,2265 3,7566 2,2211 0,2631 2,2657 11
Моделирование интенсивных химических процессов
Перейти к основному содержанию
Вы здесь
- Главная
- Публикации
- КЭП
- март 2020 г.
- Технологическое моделирование интенсивных химических процессов
Special Section
Chau-Chyun Chen, Maximilian B. Gorensek, P.E., Joseph Scott, Ignasi Palou-Rivera
Прежде чем можно будет в полной мере реализовать преимущества интенсификации процессов, потребуются многочисленные усовершенствования в моделировании процессов.
Интенсификация процессов (PI) может ускорить разработку инноваций в химической технологии. Помимо множества преимуществ, PI может увеличить движущие силы (физические и/или химические) для явлений переноса, разделения и/или реакций в химических процессах, а также может вдохновить на создание новых конфигураций процессов с большими техническими и экономическими преимуществами. Примеры применения PI включают интегрированные технологические установки, такие как сети теплообмена, сорбционные или мембранные реакторы, дистилляционные колонны с разделительной стенкой и т. д. (1) .
Принимая во внимание широкую применимость PI как в традиционных, так и в новых химических процессах, а также учитывая его внимание к повышению энергоэффективности в химической промышленности (CPI), RAPID Manufacturing Institute нацелился на модернизацию природного газа, переработку химических товаров и возобновляемые биопродукты в качестве первоначальные направления для изучения возможностей PI (1) .
Чтобы реализовать множество преимуществ PI, инженерам потребуется объединить важные достижения в принципах проектирования процессов, технологии моделирования процессов и средствах моделирования. Технология моделирования процессов собирает знания и идеи для экспериментальных измерений, молекулярной науки и инженерных основ, которые в конечном итоге облегчают надежное прогнозирование производительности процесса.
Для разработки технологии моделирования процессов необходимы четыре ключевые области: данные, термодинамика, явления и единичные операции. Каждая область формирует научную основу для развития следующей.
Например, чтобы разработать технологию моделирования процесса интенсификации процесса дистилляции, инженеры должны выполнить четыре шага (рис. 1). Каждый шаг связан с одной из четырех областей:
- Данные: сбор теплофизических свойств и измерений жидкофазного равновесия
- Термодинамика: создание молекулярных термодинамических моделей для многокомпонентных систем
- Явления: моделирование явлений жидкофазного равновесия
- Эксплуатация установки: разработка моделей работы многокомпонентной, многоступенчатой дистилляционной установки.
▲ Рис. 1. Для разработки технологии моделирования процессов дистилляции потребуются эти четыре шага. Каждый шаг соответствует области моделирования процесса: данные (темно-синий), термодинамика (зеленый), явления (синий) и единичные операции (серый).
Универсальное признание существующих симуляторов процессов термического разделения было основано на многочисленных достижениях в области измерений многокомпонентных смесей и молекулярно-термодинамического моделирования флюидно-фазовых равновесий, а также на алгоритмах расчета одностадийной мгновенной многоступенчатой дистилляции (2) . Поскольку мы изучаем возможности PI в различных химических процессах, традиционных или новых, критические достижения в технологии моделирования процессов, которые охватывают основы интенсивных процессов, имеют важное значение.
На самом деле, дорожная карта Института RAPID четко обозначила многие ключевые проблемы и возможности в области моделирования интенсивных химических процессов.
Среди них: сбор фундаментальных данных и/или анализ для создания баз данных для поддержки разработки процессов с использованием новых материалов для реакций и разделения; прогностические модели, учитывающие основные принципы интенсивных процессов; и программные инструменты PI, которые широко доступны и способны интегрировать решения PI с существующими подразделениями (1) .
В этой статье рассматриваются некоторые проблемы и возможности моделирования нескольких высокоэффективных интенсивных химических процессов: пиролиза биомассы, адсорбции газа, мембранного разделения и электрохимических систем.
Разрешения на авторское право
Хотите повторно использовать материалы из журнала CEP? Легко запросить разрешение на повторное использование контента. Просто нажмите здесь, чтобы мгновенно подключиться к службам лицензирования, где вы можете выбрать из списка варианты повторного использования желаемого контента и завершить транзакцию.
Модели химических процессов – от первых принципов до гибридных моделей
В этой статье мы исследуем роль, распространенное использование и ограничения первого принципа подхода к моделированию химических процессов.
И мы сравниваем это с преимуществами и недостатками использования эмпирических или статистических моделей.
Затем мы рассмотрим, как первые шаги в новых интеллектуальных «гибридных» моделях могут дать лучшее из обоих подходов и больше, чем сумма их частей.
Продолжайте читать, и вы обнаружите, что уже заложен фундамент, который поможет вам начать путь к непрерывной, непрерывной и управляемой данными оптимизации процессов.
- Модели и почему они важны
- Основные принципы: применение знаний на практике
- Эмпирические модели: о чем говорят данные
- Гибридные модели: лучшее из двух миров
Если вы хотите обсудить потенциальные преимущества использования гибридных моделей вашего собственного предприятия, свяжитесь с Navigance или прочитайте об движке оптимизации Navigance.
Модели и почему они важны
Модели являются жизненно важным инструментом как для химической промышленности, так и для инженерных наук в целом.
По сути, это математические представления отношений между переменными в (реальных) системах, которые описывают и помогают операторам понять поведение установки или процесса.
Они бывают разных форм и размеров. Они строятся с использованием различных подходов и техник. Они предлагают различные возможности и преимущества. И, конечно же, у них тоже есть свои ограничения. Поэтому важно понимать эти различия, чтобы создавать и использовать модели, которые обеспечат наибольшую операционную выгоду.
Итак, какие типы наиболее часто используются в химических технологиях? И каковы их преимущества и недостатки в ответах на ключевые вопросы, такие как где и как оптимизировать?
Контрастирующие подходы
Одной из особенностей, которая отличает разные типы моделей, является уровень знаний о лежащих в основе физических или химических явлениях в химическом процессе, необходимых для их разработки.
Существует множество противоположных критериев: линейный и нелинейный, дискретный и непрерывный, статический и динамический, явный и неявный, детерминированный и вероятностный.
Более конкретно — и на противоположных концах спектра — есть первопринципные и эмпирические модели.
Первый принцип или «основанные на знаниях» модели исходят из общепризнанной науки, общеприняты и тщательно проверены. Они используют явные, общепризнанные корреляции в науке и технике, включая химическую инженерию. Известным примером является уравнение Аррениуса, описывающее температурную зависимость различных скоростей реакций.
Эмпирические модели, напротив, основаны исключительно на произвольных математических корреляциях. Они описывают отношения в доступных данных из любого наблюдаемого процесса или набора данных.
В принципе, результаты этих подходов можно сравнить с такими измерениями, как поток, состав, температура, давление и другие переменные, чтобы нарисовать реальную картину поведения растения. Конечно, сбор таких измерений — это совсем другая задача.
Рассмотрим подробнее каждый тип модели.
Модели из первых принципов: применение знаний на практике
Модели из первых принципов построены на фундаментальном понимании лежащих в основе «ab initio» физико-химических явлений, таких как перенос массы, перенос тепла и массовый поток.
Часто они также основаны на явных взаимосвязях в конкретной операции в химическом процессе. И их можно использовать для соединения различных агрегатных операций по массе и тепловому балансу в технологической схеме.
Моделирование на основе первых принципов широко используется при проектировании новых установок. Во многих случаях модель технологической схемы, сочетающая основные принципы с корреляциями, такими как теплопередача, пористость и давление пара, может быть построена для полного описания установки. Но на это могут уйти многие годы (даже десятилетия) работы, много ресурсов и значительных инвестиций.
Эти модели часто также являются отправной точкой для модернизации заводов, устранения узких мест или поддержки и оптимизации повседневных технологических операций. Однако здесь часто требуются наблюдаемые данные «реального мира», чтобы «заполнить пробелы», где параметры неизвестны или отсутствуют.
Потребность в знаниях
Модели из первых принципов зависят от большого количества информации, от свойств химических веществ и смесей, участвующих в процессе, до данных о реакциях (таких как кинетика) и термодинамики.
Им также необходимо всестороннее, реальное знание лежащих в основе корреляций, что требует опыта в различных дисциплинах, включая производителей оборудования, лицензиаров процессов и поставщиков катализаторов, чтобы точно описать химическую операцию.
Некоторую часть необходимой информации можно найти в доступной литературе по химической инженерии. Другие, более конкретные данные должны быть собраны из экспериментов, разработанных с учетом конкретного описываемого процесса. Однако это представляет собой проблему.
В реальных промышленных сценариях наблюдаемое поведение может заметно отличаться от типичных корреляций, которые мы могли бы ожидать (например, когда химические смеси образуют азеотропы). Причина этого в том, что наше понимание некоторых явлений, таких как неидеальные смеси или перенос тепла и массы в пористых системах, ограничено.
В результате традиционный обходной путь инженера-химика заключался в том, чтобы полагаться на безразмерные числовые подходы, такие как табулированные корреляции теплопередачи или парожидкостные равновесия (см.
VDI Warmeatlas, Dechema Datenbank). И обходные пути на этом не заканчиваются.
Проблема с параметрами
Все модели из первых принципов опираются на адекватные параметры, применимые к конкретному процессу, который они описывают, или к проблеме, для решения которой они существуют. Получить их легче сказать, чем сделать.
Одна из больших проблем в доступе к необходимой информации заключается в том, что при рассмотрении не только базовых эффектов, но и вторичных эффектов, которые также влияют на химический процесс, доступность посредством (прямых) измерений снижается по мере увеличения сложности и количества задействованных параметров.
Точное моделирование реальных задач снизу вверх может быстро усложниться, поскольку доступ к нужным измеряемым параметрам становится все более и более сложным.
Несмотря на десятилетия исследований, направленных на устранение этих пробелов, остается неопределенность, и явления, наблюдаемые в реальных промышленных системах, до сих пор не могут быть в достаточной мере описаны.
Легко получить тысячи модельных уравнений, часто связанных с уравнениями в частных производных, которые невозможно решить аналитически. Во многих случаях даже численное решение является серьезной проблемой. Так что в игру вступили «факторы скрипки».
Это параметры, используемые для согласования выходных данных модели с наблюдаемыми данными или для проектирования и запаса прочности в проекте станции. По сути, они компенсируют неизвестные или неопределенности в моделях и, возможно, неадекватность подхода первого принципа в целом. Но такие приближения могут привести к значительным неточностям в конечном результате, а это означает, что все эффекты не могут быть надежно зафиксированы в полной мере.
В поисках более простого ответа
Следует отметить, что практически все можно смоделировать таким образом и обеспечить ряд разумных качеств, если на это вложено достаточно времени, бюджета и энергии. Но из-за того, что он опирается на инженерные справочники, обоснованность первого принципиального подхода всегда будет ограничена.
Модели, основанные на знаниях, должны работать по нескольким направлениям, если они помогают проектировать новые заводы, модернизировать старые, устранять узкие места или повышать эффективность процессов. Они должны иметь широкие возможности для экстраполяции. Обеспечьте плавную, непрерывную и дифференцируемую основу для оптимизации. А в условиях, когда вероятны серьезные изменения в процессах, оборудовании и катализаторах, они должны легко адаптироваться и постоянно пересматриваться, чтобы поддерживать их в актуальном состоянии.
Действительно ли все традиционные усилия первого принципа необходимы для оптимизации химического процесса? В конце концов, существующий завод определяется такими свойствами, как установленное на нем оборудование или катализаторы. И его поведение можно описать данными, измеренными внутри него.
Таким образом, возможности экстраполяции, обычно необходимые для проектирования нового завода, не потребуются для моделирования или описания процесса, по крайней мере, в рамках существующих данных.
И, конечно же, данные, собранные в процессе, являются активом, который предлагает наилучшие возможности для изучения того, что необходимо для оптимизации?
Давайте теперь посмотрим на другую крайность: эмпирические модели.
Эмпирические модели: где говорят данные
Чисто статистические модели используются для описания наблюдаемых данных и поведения с использованием произвольных функций для нахождения хорошего соответствия между выходными данными модели и наблюдениями. Эти модели могут быть применены даже тогда, когда мало или совсем нет знаний о физических или химических технологиях. Но нужна осторожность.
Одной из характеристик химических процессов является очень сложное взаимодействие между переменными и влияющими факторами. Некоторыми из них, такими как потоки сырья и температура реактора, можно управлять прямо или косвенно. Другие внешние факторы, такие как влажность и температура окружающей среды, могут влиять на процесс, но сами на него не влияют.
Глядя только на данные химического завода, не применяя никаких знаний в предметной области к тому, что вы видите, слишком легко сделать неправильные выводы на основе так называемых «ложных корреляций». или переменные показывают одинаковую или подобную тенденцию, даже если между ними нет вероятной связи (или «причинно-следственной связи»). Возможно, это произошло из-за чистого совпадения. Или это может быть результатом третьего, невидимого фактора.
Хорошим примером является сравнение возраста победительниц конкурса «Мисс Америка» с убийствами, совершенными с использованием пара, горячих паров и горячих предметов за 10-летний период. Это может показаться нелепым — и это так, — но это всего лишь одна из нескольких экстремальных, но веселых иллюстраций, собранных Тайлером Вигеном в его серии «Ложные корреляции».
Внимательно изучите свои данные, прежде чем делать выводы. Корреляции могут быть чистым совпадением.
Источник: Тайлер Виген, Spurious Correlations (источники данных: Википедия; Центры по контролю и профилактике заболеваний).
Используется здесь с благодарностью.
Статистические недостатки
Это служит для того, чтобы показать, что наборы данных сами по себе не обязательно показывают, обусловлены ли отношения между тенденциями правдоподобными корреляциями, не говоря уже о том, чтобы дать указания на причинно-следственные рассуждения.
Чтобы усложнить ситуацию, в химических процессах время пребывания также играет важную роль. Между входом (скажем, потоком сырья) и выходом (например, потоком продукта) существует определенный временной лаг. Если поток сырья на входе изменяется, могут пройти часы, прежде чем поток продукта претерпит соответствующие изменения. Это может быть связано с задержкой в установке, медленным уравновешиванием химических реакций, температурой и т.д. Без специальных знаний о предметной области и процессах это также усложняет поиск взаимосвязей между тенденциями.
Полагаться только на статистические параметры может ввести в заблуждение. Они могут выглядеть правильно, но не точно отражать основные отношения — явление, хорошо изученное как квартетом Анскомба, так и дюжиной датазавров.
Более того, невозможно избежать того факта, что для получения правильной статистики требуются огромные объемы данных. Чем меньше вы знаете, тем больше вам нужно.
Таким образом, хотя статистические модели имеют свое применение, они не отражают давние знания в области химической инженерии, могут активно противоречить или направлять по ложному пути и не могут идти в ногу с реальностью работы химического процесса. Недостатки, о которых сообщили ряд производителей химической продукции, использующие их, и которые не могут быть устранены путем применения расширенной аналитики или методов машинного обучения даже при наличии больших наборов данных.
К счастью, есть другой способ…
Гибридные модели: лучшее из обоих миров
Некоторые из недостатков и ограничений подхода из первых принципов и эмпирических моделей, которые мы обсуждали, можно преодолеть, используя вместо них гибридные модели.
Они также бывают разных форм и размеров. Что у них общего, так это то, что они по-прежнему в той или иной степени полагаются на первоначальные знания предметной области и сочетают их со статистическими методами там, где необходимые знания отсутствуют или недостаточно описывают реальность.
Они сочетают в себе лучшее из обоих подходов, а также привносят новые преимущества. И это не новая концепция.
Использование управляемых данными нейронных сетей и гибридных моделей для динамического моделирования систем химических реакций было описано 20 лет назад 1 . Однако их успешное использование — это больше навык. Важно заранее определить гибридные модели, которые действительно способны достичь целей, для которых они предназначены, например оптимизации процессов. (И, конечно же, знать свои ограничения.)
В современных операциях на химических предприятиях оптимизация в основном определяется знаниями и опытом операторов и инженеров (которые все больше теряются по мере старения рабочей силы в отрасли). Если позволяют время и бюджет, это также может быть дополнено базовым и периодическим анализом любых доступных данных.
Что, если бы вы могли проводить оптимизацию на постоянной и постоянной основе, не затрачивая столько времени и ресурсов? Ты можешь.
Цифровизация и новейшие технологии уже предлагают производителям химической продукции возможность добиться больших успехов в этой области.
Мы заставляем модели делать больше
Компания Navigance применяет новый подход к раскрытию неиспользованного потенциала ваших химических процессов. Мы разработали модели гибридных процессов следующего поколения, которые можно легко адаптировать к историческим данным вашего предприятия и данным в реальном времени, чтобы генерировать надежные директивные рекомендации, которые помогут вам постоянно оптимизировать ваши операции.
Чем отличаются эти гибридные модели от своих первых аналогов? Они по-прежнему используют в качестве основы устоявшиеся методы первого принципа, физико-химические взаимосвязи и инженерные принципы. Это гарантирует, например, что массовый баланс замкнут и правильно фиксируются причинно-следственные связи в химическом процессе, такие как время пребывания.
В качестве отправной точки мы используем базовую модель конкретного процесса, построенную с использованием ноу-хау химической технологии.
Затем мы рассматриваем вашу установку, ее настройку, доступные датчики и измерения, а также любые эксплуатационные ограничения. И мы идентифицируем соответствующие данные процесса для измерения и оптимизации производительности.
Именно эти данные процесса оживляют наши гибридные модели процессов. Тщательно интегрируя неизвестные с использованием произвольных функций, полученных из данных, наши модели обеспечивают хорошее соответствие всем наблюдаемым данным.
Мы уделяем большое внимание учету и учету всех важных эффектов на вашем предприятии, а затем применяем передовые методы машинного обучения. Это создает управляемые данными гибридные модели процессов с улучшенным ИИ, которые, в отличие от жестких и негибких моделей из первых принципов, могут интуитивно обучаться и быстро адаптироваться к изменяющимся условиям.
Используя интеллектуальные алгоритмы для рассмотрения всех данных, наблюдаемых в непрерывном потоке, они генерируют бесценную информацию. Таким образом, вы можете быстро реагировать на множество факторов, которые могут повлиять на ваши процессы — от различных сценариев нагрузки до деактивации катализаторов.
Все это означает, что вы можете быстро и уверенно действовать в соответствии с рекомендациями в режиме реального времени для переменных управления процессом, чтобы достичь своих целей оптимизации и наиболее важных ключевых показателей эффективности.
Узнайте больше о том, как работает наш механизм оптимизации. Или давайте поговорим о том, как мы можем сделать это для вас.
Примечания
[1] Динамическое моделирование систем химических реакций с помощью нейронных сетей и гибридных моделей в химической инженерии и технологии Ханс-Йорг Цандер, Роланд Диттмейер, Йозеф Вагенхубер (8 июля 1999) https://doi.org/10.1002/(SICI)1521-4125(199907)22:7%3C571::AID-CEAT571%3E3.0.CO;2-5
И см. другие публикации, такие как Molga and Westerterp (1997), Zander et al (1999) и Molga and Cherbanski (1999)
Узнайте больше:
Заставьте технологии работать на вас, а не на себя.
