Інтелектуальна система оцінювання якості нафтопродуктів на основі ансамблевих методів машинного навчання

Сергій  Ткачук; Вадим  Бондар

Автор(и)

Сергій Ткачук Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна https://orcid.org/0009-0002-4013-8875
Вадим Бондар Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» , Україна https://orcid.org/0009-0000-3320-4550

Ключові слова:

soft-сенсор; оцінювання якості; Random Forest; нейронні мережі; онлайн-адаптація; каталітичний риформінг; предиктивне управління; ансамблеві методи; LSTM

Анотація

Розроблено інтелектуальну систему оцінювання якості продукції каталітичного риформінгу в реальному часі на основі ансамблевих методів машинного навчання. Систему побудовано із застосуванням методу Random Forest, що забезпечує прогнозування октанового числа риформату із середньою абсолютною похибкою 0,41 пункту та коефіцієнтом детермінації R² = 0,974. Для підвищення адекватності порівняння додатково залучено глибоку нейронну мережу LSTM. Реалізовано механізм інкрементальної онлайн-адаптації моделі та квантифікації невизначеності прогнозів для детекції аномальних режимів роботи. Інтеграція розробленої системи в контур нелінійного предиктивного управління забезпечує зниження варіації октанового числа на 57 % та скорочення часу перехідних процесів у 2,8 раза порівняно з традиційним PID-управлінням.

Посилання

Ali, S., Theravalappil, R., Alzaid, A., Alshareef, A., Huang, H., & Hossain, M. (2024). Molecular-level kinetic modeling of catalytic naphtha reforming. Industrial & Engineering Chemistry Research, 63. https://doi.org/10.1021/acs.iecr.4c00735.

Dong, X., Shen, J., Ma, Z.-F., & He, Y.-J. (2022). Robust optimal operation of continuous catalytic reforming process under feedstock uncertainty. International Journal of Hydrogen En-ergy, 47. https://doi.org/10.1016/j.ijhydene.2022.08.161.

Jiang, Y., Yin, S., Dong, J., & Kaynak, O. (2020). A review on soft sensors for monitor-ing, control and optimization of industrial processes. IEEE Sensors Journal. https://doi.org/10.1109/ JSEN.2020.3033153.

Hemavathy, S. (2025). Soft sensors. https://doi.org/10.1007/978-981-96-2407-2_148

Curreri, F., Patané, L., & Xibilia, M. G. (2021). Soft sensor transferability: A survey. Ap-plied Sciences, 11(16), 7710. https://doi.org/10.3390/app11167710.

Jia, M., Xu, D., Yang, T., Liu, Y., & Yao, Y. (2023). Graph convolutional network soft sensor for process quality prediction. Journal of Process Control, 123, 12–25. https://doi.org/10.1016/j.jprocont.2023.01.010.

Sun, Z., Wang, G., Li, P., Wang, H., Zhang, M., & Liang, X. (2023). An improved ran-dom forest based on the classification accuracy and correlation measurement of decision trees. Expert Systems with Applications, 237, 121549. https://doi.org/10.1016/j.eswa.2023.121549.

Shao, W., Ge, Z., & Song, Z. (2018). Soft-sensor development for processes with multiple operating modes based on semisupervised Gaussian mixture regression. IEEE Transactions on Control Systems Technology. https://doi.org/10.1109/TCST.2018.2856845.

Xiang, Q., Zi, L., Cong, X., & Wang, Y. (2023). Concept drift adaptation methods under the deep learning framework: A literature review. Applied Sciences, 13(11), 6515. https://doi.org/ 10.3390/app13116515.

Heid, E., McGill, C., Vermeire, F., & Green, W. (2023). Characterizing uncertainty in machine learning for chemistry. ChemRxiv. https://doi.org/10.26434/chemrxiv-2023-00vcg.

Andersson, J., Gillis, J., Horn, G., Rawlings, J., & Diehl, M. (2018). CasADi: A software framework for nonlinear optimization and optimal control. Mathematical Programming Compu-tation, 11(1), 1–36. https://doi.org/10.1007/s12532-018-0139-4.

Bagla, G., Patwardhan, S., & Valluru, J. (2023). Intelligent state estimation for fault tol-erant integrated frequent RTO and adaptive nonlinear MPC. Journal of Process Control, 131, 103092. https://doi.org/10.1016/j.jprocont.2023.103092.