- Код статьи
- S30346053S0040357125020111-1
- DOI
- 10.7868/S3034605325020111
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том 59 / Номер выпуска 2
- Страницы
- 121-138
- Аннотация
- Рассматривается задача повышения точности моделей для оценки показателей низкотемпературных свойств, показателей воспламеняемости и противоизносных свойств целевых продуктов колонны фракционирования в условиях малого объема данных аналитического контроля. Для решения рассматриваемой задачи предложен метод построения моделей, в составе которого используется алгоритм расширения малой обучающей выборки по данным фракционного состава, отличающийся способом отбора дополнительных данных, учитывающим показатель разреженности, что позволило включить в обучающую выборку недостающее количество данных, и в итоге обеспечить повышение качества модели. Использование предложенного метода позволило повысить точность моделей в среднем на 18% в сравнении с известными методами и в среднем на 6% в сравнении с методом на основе расширения обучающей выборки без учета показателя разреженности. Результаты представлены на примерах построения моделей показателей качества предельной температуры фильтруемости, температуры вспышки, кинематической вязкости при 40°С и цетанового числа среднего дистиллята (фракции дизельного топлива) и температуры вспышки керосиновой фракции промышленной колонны фракционирования технологической установки гидрокрекинга.
- Ключевые слова
- математические модели для оценки показателей качества нефтепродуктов ректификация малая выборка расширение выборки разреженность аналитический контроль
- Дата публикации
- 01.04.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 72
Библиография
- 1. Logunov P.L., Shamanin M.V., Kneller D.V., Setin S.P., Shunderyuk M.M. Advanced process control: from a PID loop up to refinery-wide optimization // Autom. & Remote Control. 2020. V. 80. № 10. Р. 1929.
- 2. Iplik E., Aslanidou I., Kyprianidis L. Hydrocracking: a perspective towards digitalization // Sustainability. 2020. V. 12. № 17. Р. 1.
- 3. Fortuna L., Graziani S., Sicilia M.G. Comparison of soft-sensor design methods for industrial plants using small data sets // IEEE Transactions on Instr. And Meas. 2009. V. 58. № 8. Р. 2444.
- 4. Shaikhina T., Khovanova N.A. Handling limited datasets with neural networks in medical applications: a small-data approach // Artificial Intel. In Med. 2016. V. 75. № 1. Р. 1.
- 5. Napoli G., Xibilia M.G. Soft Sensor design for a Topping process in the case of small datasets // Comput. & Chem. Eng. 2010. V. 35. № 11. Р. 2447.
- 6. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. М.: Финансы и статистика, 1986. С. 73.
- 7. Гаскаров Д.В., Шаповалов В.И. Малая выборка. М.: Статистика, 1978. С. 19.
- 8. Zhu Q.X., Hou K.R., Chen Z.S., Gao Z.S., Xu Y., He Y.L. Novel virtual sample generation using conditional GAN for developing soft sensor with small data // Eng. Appl. Artif. Intell. 2021. V. 106. № 2.
- 9. Zhang X.H., Xu Y., He Y.L., Zhu Q.X. Novel manifold learning based virtual sample generation for optimizing soft sensor with small data // ISA Transactions. 2021. V. 109. № 1. Р. 229.
- 10. Li D.C., Lin L.S., Peng L.J. Improving learning accuracy by using synthetic samples for small datasets with nonlinear attribute dependency // Decision Support Syst. 2014. V. 59. № 1. Р. 286.
- 11. Samotylova S.A., Torgashov A.Yu. Application of a first principles mathematical model of a mass-transfer technological process to improve the accuracy of the estimation of the end product quality // Theor. Found. Chem. Eng. 2022. V. 56. № 3. Р. 371.
- 12. Самотылова С.А., Торгашов А.Ю. Применение физически обоснованной математической модели массообменного технологического процесса для повышения точности оценивания качества конечного продукта // Теорет. основы хим. технологии. 2022. Т. 56. № 3. С. 371.
- 13. Bai X., Li S. A virtual sample generation method based on manifold learning and a generative adversarial network for soft sensor models with limited data // J. of the Taiwan Inst. of Chem. Eng. 2023. V. 151. № 3.
- 14. Liu Y., Xie M. Rebooting data-driven soft-sensors in process industries: a review of kernel methods // J. of Proc. Control. 2020. V. 89. № 4. Р. 58.
- 15. He Y.L., Hua Q., Zhu Q.H., Lu S. Enhanced virtual sample generation based on manifold features: applications to developing soft sensor using small data // ISA Transactions. 2021. V. 126. № 4. Р. 1.
- 16. Zhu Q.X., Chen Z.S., Zhang X.H., Rajabifard A., Xu Y., Chen Y.Q. Dealing with small sample size problems in process industry using virtual sample generation: a kriging-based approach // Soft Computing. 2020. V. 24. № 1. Р. 6889.
- 17. Dinkov R., Stratiev D. Investigation on diesel cold flow properties // Proc. 45th International Petroleum Conf. Bratislava, 2011. Р. 1.
- 18. Vrablik A., Velvarska R., Stepanek K., Psenicka M., Hidalgo J.M., Cerny R. Rapid models for predicting the low-temperature behavior of diesel // Chem. Eng. Technology. 2019. V. 42. № 7. Р. 735.
- 19. Aleme H.G., Barbeira P.J.S. Determination of flash point and cetane index in diesel using distillation curves and multivariate calibration // Fuel. 2019. V. 102. № 1. Р. 129.
- 20. Gorenkov A.F., Lifanova T.A., Klyuchko I.G. Influence of jet fuel distillation range on quality indexes // Chem. & Technology of Fuels & Oils. 1985. V. 21. № 8. Р. 37.
- 21. Горенков А.Ф., Лифанова Т.А., Кличко И.Г. Влияние диапазона перегонки реактивного топлива на показатели качества // Химия и Техн. Топлив и Масел. 1985. Т. 21. № 8. С. 37
- 22. Aleme H.G., Assuncao R.A., Carvalho M.M.O., Barbeira P.J.S. Determination of specific gravity and kinematic viscosity of diesel using distillation curves and multivariate calibration // Fuel Processing Techn. 2012. V. 102. № 1. Р. 90.
- 23. Shepherd J.E., Nyut C.D., Lee J.J. Flash point and chemical composition of aviation kerosene (Jet A) // Explosion Dynamics Laboratory Report FM99-4. 1999. Р. 1.
- 24. Штакин Д.В., Снегирев О.Ю., Торгашов А.Ю. Метод построения виртуальных анализаторов в условиях малой обучающей выборки для управления качеством целевых продуктов фракционатора установки гидрокректива // Автоматизация в пром. 2024. Т. 22. № 6. С. 7.
- 25. Dumuochel W., O’Brien F. Integrating a robust option into a multiple regression computing environment // Comp. and graphics in statistics. 1992. Р. 41.
- 26. Cybenko G. Approximation by superpositions of a sigmoidal function // Math. of Control, Signals & Systems. 1989. V. 2. № 1. P. 303.
- 27. Bylesjo M., Rantalainen M., Nicholson J.K., Holmes E., Trygg J. K-OPLS package: Kernel-based orthogonal projections to latent structures for prediction and interpretation in feature space // BioMed Central. 2008. V. 9. № 1. P. 1.
- 28. Holland P.W., Welsch R.E. Robust regression using iteratively reweighted least-squares // Communic. in Statistics – Theory & Methods. 1977. V. 6. № 9. P. 813.
- 29. Rantalainen M., Bylesjo M., Cloarec O., Nicholson J.K., Holmes E., Trygg J. Kernel-based orthogonal projections to latent structures (K-OPLS) // J. of Chemometrics. 2007. V. 21. № 7–9. P. 376.
- 30. Hayrettin O. Bayesian regularized neural networks for small n big p data // Artif. Neural Net. – Models & Appl. 2016. P. 27.
- 31. Prak D.L., Cooke J., Dickerson T., McDaniel A., Cowart J. Cetane number, derived cetane number, and cetane index: when correlations fail to predict combustibility // Fuel. 2021. V. 289. № 12. P. 1.
