- Код статьи
- S3034605325040057-1
- DOI
- 10.7868/S3034605325040057
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том 59 / Номер выпуска 4
- Страницы
- 45-54
- Аннотация
- Для установки разложения гидроперекиси изопропилбензола процесса получения фенола и ацетона разработан прототип цифрового двойника на основе созданной нейросетевой модели, которая позволяет рассчитывать в режиме онлайн выходы основной и побочной продукции, энергоресурсов и получаемой при этом условной прибыли с относительной погрешностью не более 0.73%. Формирование базы данных значений параметров технологического процесса выполнено с применением имитационного моделирования работы установки с последующей проверкой адекватности модели путем сопоставления полученных расчетных результатов с фактическими значениями технологических параметров. В качестве прототипа цифрового двойника, позволяющего в режиме онлайн определять оптимальные значения параметров кукольного процесса установки разложения гидроперекиси изопропилбензола, предложено применить микроконтроллер ESP-8266 со встроенной и разработанной программой, написанной на языке С.
- Ключевые слова
- кукольный процесс установка получения фенола и ацетона оптимальные технологические параметры цифровой двойник нейронные сети машинное обучение искусственный интеллект киберфизические системы
- Дата публикации
- 07.02.2026
- Год выхода
- 2026
- Всего подписок
- 0
- Всего просмотров
- 6
Библиография
- 1. Kravets A.G., Bolshakov A.A. Cyber-Physical Systems: Design and Application for Industry 4.0 / Eds. Shcherbakov M., Switzerland: Springer Nature, 2021.
- 2. Matana G., Simon T.A., Velázquez T.D.R., Mastrapa H.L., Helleno L.A. Cyber-Physical Systems as Key Element to Industry 4.0: Characteristics, Applications and Related Technologies // Engineering Management Journal. 2022. V. 35. № 4. P. 377.
- 3. Javaid M., Haleem A., Singh R.P., Suman R. An integrated outlook of Cyber–Physical Systems for Industry 4.0: Topical practices, architecture, and applications // Green Technologies and Sustainability. 2023. V. 1. № 1. P. 1.
- 4. Shaolin H., Qinghua Z., Naiquan S., Xiwu L. Petrochemical production Big Data and its four typical application paradigms // International Journal of Data Mining & Knowledge Management Process. 2021. V. 11. № 2–4. P. 15.
- 5. Plehiers P.P., Symons S.H., Anghizar I., Marin G.B., Stevens C.V., Van Geem K.M. Artificial Intelligence in Steam Cracking Modeling: A Deep Learning Algorithm for Detailed Effluent Prediction // Engineering. 2019. V. 5. № 6. P. 1027.
- 6. Mohammadpour M., Torabi F. Big Data analytics in oil and gas industry: An emerging trend // Petroleum. 2022. V. 6. P. 321.
- 7. Oliveira L.M., Dias R., Rebello C.M., Martin M.A.F., Rodrigue A.E., Ribeiro A.M., Nogueira I.B.R. Artificial Intelligence and Cyber-Physical Systems: A Review and Perspectives for the Future in the Chemical Industry // AI. 2021. V. 2. № 3. P. 429.
- 8. Melesse T.Y., Pasquale V.Di, Riemma S. Digital Twin Models in Industrial Operations: A Systematic Literature Review // Procedia Manuf. 2020. V. 42. P. 267.
- 9. Radaniiev P., De Roure D., Van Kleek M., Santos O., Uchenna A. Artificial intelligence in cyber physical systems // AI & Society. 2021. V. 36. № 9. P. 429.
- 10. Хуэй С., Синьтун Ч. Применение технологий искусственного интеллекта для оптимизации технологических процессов в производстве // Серия: Естественные и технические науки. Информатика, вычислительная техника и управление. 2024. № 4. С. 102.
- 11. Prasad A. The evolution and diverse applications of artificial intelligence and control systems // Journal of Advanced Research in Instrumentation and Control Engineering. 2023. V. 10. № 2. P. 27.
- 12. Yu P., Wan H., Bozhi Zhang B., Wu Q., Zhao B., Xu Ch. Yang Sh. Review on System Identification, Control, and Optimization Based on Artificial Intelligence // Mathematics. 2025. V. 13. № 6. P. 952.
- 13. Zou P.X.W., Ma S. How digital twin technology may improve safety management: A multi-industry perspective // Safety Science. 2025. V. 189. P. 106837.
- 14. Filho P.T.J.C., Junior O.C. Digital Twin in Industry 4.0: Systematic review and content analysis and an architectural reference model // Procedia Computer Science. 2025. V. 253. P. 2919.
- 15. Li B. Research on the Application and Sustainable Development of Digital Twin Technology Based on Big Data Technology and Deep Learning in the Green Transformation of Manufacturing Industry // Procedia Computer Science. 2025. V. 261. P. 191.
- 16. Bellavista P., Bicocchi N., Fogli M., Giannelli C., Manuel M., Picone M. Requirements and design patterns for adaptive, autonomous, and context-aware digital twins in industry 4.0 digital factories // Computers in Industry. 2023. V. 149. P. 103918.
- 17. Tang Y.M., Kuo W.T., Lee C.K.M. Real-time Mixed Reality (MR) and Artificial Intelligence (AI) object recognition integration for digital twin in Industry 4.0 // Internet of Things. 2023. V. 23. P. 100753.
- 18. Abiseef-Chavanne E., Coupaye T., Gohra F., Lamy D., Peel A., Scart O., Vacat-Blanc P. A digital twin use cases classification and definition framework based on Industrial feedback // Comput. Ind. 2024. V. 161. P. 104113.
- 19. Rozhok A.P., Zykova K.I., Suschev S.P., Reverita R. The use of digital twin in the industrial sector // IOP Conf Ser Earth Environ Sci, 2021. V. 815. № 1. P. 012032.
- 20. Belo R.C., Pimenta M.S., Salvador T.T., Petry R.H., Abel M. Fundamental requirements of Digital Twins for production system in Oil and Gas Industry: A systematic literature review // Information and Software Technology. 2025. V. 184. P. 107742.
- 21. Kritzinger W., Karner M., Tracer G., Henjes J., Shin W. Digital twin in manufacturing: A categorical literature review and classification // IFAC-PapersOnLine. 2018. V. 51. № 11. P. 1016.
- 22. Дудик М. Интеграция цифровых двойников оборудования и процесса // Control Engineering Россия. 2020. V.86. № 2. P. 63.
- 23. Ананьева Е.А., Егорова Е.В., Ларин Л.В. Современное состояние и перспективы развития процессов получения фенола I. Обзор рынка и современное состояние процессов получения фенола. // Вестник МИТХТ. 2007. Т. 2. № 2. С. 27.
- 24. Кружаков Б.Д., Голованенко Б.Н. Совместное получение фенола и ацетона. М.: Наука, 1963.
- 25. Дахиави Э.М. Оптимизация совместного производства фенола и ацетона, комплексная переработка побочных продуктов в реагенты нефтедобычи. Дис. ... докт. хим. наук., Казань.: Ин-т, 2011.
- 26. Vovdenko M.K., Gabaidulin I.M., Koledina K.F., Koledin S.N. Isopropylbenzene oxidation reaction computer simulation // 3rd International conference “Information Technology and Nanotechnology 2017”. 2017. P. 20.
- 27. Haznee M.Ф. Теория рециркуляции и повышение оптимальности химических процессов. М.: Наука, 1970.
- 28. Prakhar Srivastava P., Gupta A., Kaistha N. Compact process for cumene manufacture: Synthesis, design and control // Chemical Engineering Research and Design. 2023. T. 190. C. 220.
- 29. Kichatov K.G., Prosochkina T.R., Vorobyova I.S. Principles of creating a digital twin prototype for the process of alkylation of benzene with propylene based on a neural network // Тонкие химические технологии. 2023. T. 18. № 5. C. 482. @@ Kichatov K.G., Prosochkina T.R., Vorobyova I.S. Principles of creating a digital twin prototype for the process of alkylation of benzene with propylene based on a neural network // Fine Chemical Technologies. 2023. V. 18. № 5. P. 482.
- 30. Kichatov K.G., Prosochkina T.R., Yargina A.A., Vildanov F. Sh. A neural network digital twin prototype of the steam cracking process // Processes of Petrochemistry and oil Refining. 2025. V. 26. № 3. P. 933.
- 31. https://www.honeywellforge.ai/us/en/products/industrials/unisim-design. Honeywell Unisim Design R451 2016.
- 32. Закоманский В.М. Фенол и ацетон: анализ технологий, кинетики и механизма основных реакций. СПб.: ХИМИЗДАТ, 2009.
- 33. MATLAB Simulink R2021b.
- 34. https://www.Mathworks.Com/Products/MatlabHtml 2021.
- 35. ESP8266 Datasheet [Electronic resource] // Espressif. 2023. URL: https://www.espressif.com/sites/default/files/documentation/0a-esp8266ex_datasheet_en.pdf (accessed: 21.10.2024).
