Вплив функції активації нейронної мережі на апроксимацію даних основних каналів керування в період пуску реактору синтезу оцтової кислоти
DOI:
https://doi.org/10.33216/1998-7927-2026-301-3-87-93Ключові слова:
нейронні мережі, зворотне поширення помилки, реакторАнотація
Сучасні промислові технології синтезу оцтової кислоти та її похідних переважно базуються на високоефективних каталітичних методах, серед яких провідне місце посідає карбонілювання метанолу (процеси Monsanto та Cativa). Ефективність таких виробництв безпосередньо залежить від роботи хімічних реакторів, що становлять апаратну основу галузі. В умовах високої ринкової конкуренції критично важливим є забезпечення суворої відповідності продукції галузевим специфікаціям, що потребує точного моніторингу та контролю вхідних і вихідних параметрів технологічного процесу.
Найбільш поширений підхід передбачає використання нейромереж як моделей «чорної скриньки». На основі емпіричних даних об'єкта підбирається архітектура мережі та здійснюється її навчання (налаштування вагових коефіцієнтів) для досягнення максимальної адекватності моделі. Надалі отримані моделі інтегруються в системи предиктивного керування (Model Predictive Control, MPC).
Вихід реактора синтезу оцтової кислоти (зокрема в процесі карбонілювання метанолу на родієвому каталізаторі) на робочий режим є складним динамічним процесом. Під час пуску система переходить із інертного стану в активну фазу реакції, що супроводжується різким зростанням тиску та інтенсивним екзотермічним ефектом.
Застосування штучних нейронних мереж на цьому етапі дає змогу мінімізувати перерегулювання — критичну проблему керування, що загрожує спрацьовуванням систем аварійного захисту та скиданням параметрів.
Чисельне моделювання здійснювалося в середовищі MATLAB (версія 2021) із застосуванням ітераційної процедури структурного синтезу нейронної мережі. Емпіричною базою дослідження слугували статистичні дані динаміки реактора синтезу оцтової кислоти у пусковий період.
Похибки моделювання за оксидом вуглецю майже ідентичні результатам за метанолом, що вказує на симетричність впливу обох реагентів на вихідні параметри реактора. Для каналів регулювання тиску, температури та рівня незалежно від вхідного впливу (метанол чи CO) оптимальною є архітектура з лінійною функцією активації purelin на вихідному шарі. Це забезпечує високу точність апроксимації з похибкою не більше 1.6%.
Канал концентрації оцтової кислоти виявився найбільш складним для моделювання за обома входами (мінімальна похибка 53.71%). Це вказує на те, що для прогнозування якості продукту в момент пуску стандартної структури мережі недостатньо — необхідно враховувати динамічну затримку (інерційність) або збільшувати глибину мережі.
Посилання
1. METHODS FOR PRODUCING ACETIC ACID, United States Patent, Patent No.: US 7,683,212 B2, Date of Patent: Mar. 23, 2010
2. PROCESS FOR MONITORING A CONTINUOUSACETIC ACID AND/OR METHYLACETATE PRODUCTION , United States Patent, Patent No.: US 6,642,413 B2 , Date of Patent: Nov. 4, 2003
3. LOW WATER METHANOL CARBONYLATION PROCESS FOR HIGH ACETIC ACID PRODUCTION AND FOR WATER BALANCE CONTROL, United States Patent, Patent No.: US 7,005,541 B2, Date of Patent: Feb. 28, 2006
4. Jane H. Jones. The CativaTM Process for the Manufacture : Plant of Acetic Acid Location Year Debottlenecking or increased throughput achieved, IRIDIUM CATALYST IMPROVES PRODUCTIVITY IN AN ESTABLISHED INDUSTRIAL PROCESS/ Jane H. Jones // Platinum Metals Rev., 2000,44, (3), pp. 94-105, DOI: 10.1595/003214000X44394105
5. Golhosseini Bidgoli, Reza. Kinetic Study, Modeling and Simulation of Homogeneous Rhodium-Catalyzed Methanol Carbonylation to Acetic Acid / Golhosseini Bidgoli, Reza; Naderifar, Abas//Iran. J. Chem. Chem. Eng., Vol. 31, No. 1, 2012, pp.57-73, DOI: 10.30492/ijcce.2012.6076
6. Naderifar A. Kinetic Study, Modeling and Simulation of Homogeneous Rhodium-Catalyzed Methanol Carbonylation to Acetic Acid/Abbas Naderifar2012, Iranian Journal of Chemistry & Chemical Engineering-international English Edition, Vol. 31, No. 1, 2012, p. 57-73, https://doi.org/10.30492/IJCCE.2012.6076
7. Mandake M.B. Kinetic Study of Catalyzed and Uncatalyzed Esterification Reaction of Acetic acid with Methanol / M.B. Mandakea, S.V. Anekarb, S.M.Walkec //American International Journal of Research in Formal, Applied & Natural Sciences, 3(1), June-August, 2013, pp. 114-121, CorpusID:33223967
8. Haynes A. Acetic Acid Synthesis by Catalytic Carbonylation of Methanol/Anthony Haynes, May 2006, ChemInform 18(45):179-205, DOI:10.1007/3418_021
9. Reddi, K. (2016). Adaptive ANN model based nonlinear control of a semi-batch polymerization reactor challenge problem. / Reddi, Kamesh & Rani, K. Yamuna, Conference: 2016 Indian Control Conference (ICC), Hyderabad, Volume: 222 – 229, DOI: 10.1109/INDIANCC.2016.7441132
10. Emuoyibofarhe J.. An optimum solution for a process control problem (continuous stirred tank reactor) using a hybrid neural network. / Emuoyibofarhe, Justice & Reju, Sunday, Journal of Theoretical and Applied Information Technology © 2005 - 2008 JATIT. P.906-915, CorpusID:11391265
11. McCulloch WS. A logical calculus of the ideas immanent in nervous activity/ Warren McCulloch, Walter Pitts, Bulletin of Mathematical Biophysics, 1943, 5: 115-133, DOI: 10.7551/mitpress/12274.003.0011
12. Hinton, G. Reducing the Dimensionality of Data with Neural Networks./ G.Hinton & R.Salakhutdinov & Yoesoep Rachmad, Science (New York, N.Y.), 2006, 313. 504-7. 10.1126/science.1127647. DOI:10.1126/science.1127647
13. Hinton G.E. A fast learning algorithm for deep belief nets / G.E.Hinton, S.Osindero, Y.W. Teh NEURAL COMPUTATION, 2006,18(7): p.1527-1554, DOI:10.1162/neco.2006.18.7.1527
14. Osindero S. Topographic product models applied to natural scene statistics, / S. Osindero, M. Welling, and G.E. Hinton,. NEURAL COMPUTATION, 2006, 18 (2): 381-414, DOI:10.1162/089976606775093936
15. Hodgkin A. L. A Quantitative Description of Ion Currents and Its Applications to Conduction and Excitation in Nerve Membranes / A. L. Hodgkin, A .F. Huxley, Journal of Physiology, 1952, 117:500-544. https://doi.org/10.1016/S0092-8240(05)80004-7
16. Rosenblatt F. The perceptron: Probabilistic model for information storage and organization in the brain / F.Rosenblatt, Psychological Review, 1958, 65(6): 386-408, DOI: 10.1037/h0042519
17. Widrow B. Adaptive Switching Circuits [C] / B. Widrow, M. E. Hoff, 1960 I RE WESCON convention record: part 4.Computers : Man-machine Systems, Los Angeles: 96～104, DOI: 10.21236/ad0241531
18. Sun L. (2021). Artificial Neural Network and Its Application Research Progress in Chemical Process/ Li Sun & Fei Liang & Wutai Cui. Asian Journal of Research in Computer Science, 2021, 177-185. 10.9734/ajrcos/2021/v12i430302. DOI:10.9734/ajrcos/2021/v12i430302
19. Porkujan O. Neural network simulation in running of acetic acid syntesis unit while start-up / Olga Porkujan, Zhanna Samojlova.- TEKA, Польща, Academy of Sciences (PAN), with registered offices in Warsaw, 2013, p.188-192
20. Samoilova Zh.G. Development of a mathematical model of technological processes in a reactor for the synthesis of otic acid / Zh.G. Samoilova // Eastern-European Journal of Enterprise Technologies, 5/2 ( 113 ), 2021, pp. 94-104, DOI: 10.15587/1729-4061.2021.242816
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 О.В. Поркуян, Ж.Г. Самойлова
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
