Нелінійне предиктивне управління процесом каталітичного риформінгу на основі гібридної моделі (укр.)
DOI:
https://doi.org/10.20535/2617-9741.1.2026.354345Ключові слова:
каталітичний риформінг, предиктивне управління, нелінійна оптимізація, гібридна модель, нейронна мережа, машинне навчання, soft-сенсор, CasADiАнотація
Досліджено проблему підвищення ефективності управління процесом каталітичного риформінгу з безперервною регенерацією каталізатора (CCR). Актуальність роботи зумовлена тим, що традиційні системи управління на основі ПІД-регуляторів не забезпечують оптимальної роботи установки через значну інерційність процесу, транспортні затримки, нелінійність характеристик та змінність параметрів внаслідок дезактивації каталізатора. Метою роботи є розробка системи нелінійного предиктивного управління (NMPC) на основі гібридної моделі, що поєднує фізичну кінетичну модель процесу з нейромережевим компонентом для корекції похибок прогнозування.
Розроблено комплексну математичну модель процесу CCR-риформінгу, що включає кінетичну модель з 8 псевдокомпонентами та 12 реакціями, модель дезактивації каталізатора та модель розрахунку октанового числа за адитивною формулою. Запропоновано архітектуру гібридної моделі з послідовною інтеграцією компонентів, де нейромережа типу багатошарового персептрона (MLP) з двома прихованими шарами (64 та 32 нейрони) компенсує систематичні похибки фізичної моделі. Гібридна модель забезпечує підвищення точності прогнозування октанового числа на 25% порівняно з базовою фізичною моделлю.
Синтезовано систему NMPC з квадратичною функцією цілі, що мінімізує відхилення керованих змінних від завдання та штрафує різкі зміни керуючих впливів. Задача оптимізації включає обмеження на діапазон температур, тиск та швидкість зміни керуючих впливів. Для програмної реалізації використано мову Python з бібліотеками CasADi для символьних обчислень та автоматичного диференціювання, IPOPT для розв'язання задачі нелінійного програмування методом внутрішньої точки. Реалізовано механізм адаптації моделі для компенсації дрейфу внаслідок дезактивації каталізатора.
Результати імітаційного моделювання для установки потужністю 1,5 млн т/рік підтверджують переваги розробленої системи NMPC: зниження середньої абсолютної похибки октанового числа на 57 % порівняно з PID-управлінням та на 36 % порівняно з лінійним MPC; скорочення часу перехідних процесів у 2,8 рази; зниження максимального відхилення при збуреннях складу сировини на 63%. Практичне значення роботи полягає у можливості застосування розроблених алгоритмів для підвищення ефективності управління промисловими установками CCR-риформінгу.
Посилання
Qin, s. Joe & Badgwell, Thomas. (2003). A Survey of Industrial Model Predictive Control Technology. Control engineering practice. 11. 733-764. DOI:10.1016/S0967-0661(02)00186-7
Rawlings, J. & Mayne, D.Q. & Diehl, Moritz. (2017). Model Predictive Control: Theory, Computation, and Design.
Li, Jin & Tan, Yuejin & Liao, Liangcai. (2005). Modeling and optimization of a semi-regenerative catalytic naphtha reformer. 867 - 872. DOI:10.1109/CCA.2005.1507238.
Rahimpour, M. R. & Jafari, Mitra & Iranshahi, Davood. (2013). Progress in catalytic naphtha reforming process: A review. Applied Energy. 109. 79–93. DOI:10.1016/j.apenergy.2013.03.080.
Argyle, Morris & Bartholomew, Calvin. (2015). Heterogeneous Catalyst Deactivation and Regeneration: A Review. Catalysts. 5. 145-269. DOI:10.3390/catal5010145.
von Stosch, Moritz & Oliveira, Rui & Peres, Joana & Feyo de Azevedo, Sebastião. (2014). Hybrid semi-parametric modeling in process systems engineering: Past, present and future. Computers & Chemical Engineering. 60. 86-101. DOI:10.1016/j.compchemeng.2013.08.008.
Примиська, С., Абрамова, А., & Складанний, Д. (2025). Інтеграція штучного інтелекту в системи автоматизації промислових процесів. КОМП’ЮТЕРНО-ІНТЕГРОВАНІ ТЕХНОЛОГІЇ: ОСВІТА, НАУКА, ВИРОБНИЦТВО, (58), 12-20. https://doi.org/10.36910/6775-2524-0560-2025-58-02
Ковалюк, Д. О., Ковалюк, О. О., & Малішевський, В. С. (2024). Реалізація систем контролю якості продукції на основі машинного зору та web-технологій. Вісник НТУУ “КПІ імені Ігоря Сікорського”. Серія: Хімічна інженерія, екологія та ресурсозбереження, (1), 28–34. https://doi.org/10.20535/2617-9741.1.2024.300980
Schweidtmann, Artur & Esche, Erik & Fischer, Asja & Kloft, Marius & Repke, Jens-Uwe & Sager, Sebastian & Mitsos, Alexander. (2021). Machine Learning in Chemical Engineering: A Perspective. Chemie Ingenieur Technik. 93. DOI:10.1002/cite.202100083.
Andersson, Joel & Gillis, Joris & Horn, Greg & Rawlings, James & Diehl, Moritz. (2018). CasADi: a software framework for nonlinear optimization and optimal control. Mathematical Programming Computation. DOI:11. 10.1007/s12532-018-0139-4.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Віталій Степанович Цапар, Сергій Михайлович Ткачук, Вадим Валерійович Бондар

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).