Название базовой системы (платформы): | Искусственный интеллект (ИИ, Artificial intelligence, AI) |
Разработчики: | ПНИПУ Пермский Национальный Исследовательский Политехнический Университет |
Отрасли: | Нефтяная промышленность |
Технологии: | АСУ ТП |
Основная статья: АСУ ТП - типовая структура
2022: Улучшение автоматизированного управления технологическим процессом подготовки нефти
Пермский Политех сообщил 13 октября 2022 года о том, что ученые Университета нашли способ повысить прибыль предприятий при подготовке нефти.
Исследователи из Пермского Политеха улучшили автоматизированное управление технологическим процессом подготовки «черного золота», чтобы снизить затраты на производство и улучшить качество готового продукта. Для этого они использовали алгоритм оптимизации на основе нейросетей и аналитических моделей. Подготовка нефти до товарного качества – процесс, который состоит из множества стадий. В процессе важно обеспечивать оптимальные технологические параметры, чтобы повысить эффективность использования оборудования. Результат, к которому стремятся предприятия, – увеличение прибыли.
Математические основы алгоритмов позволяют реализовать их на отечественных программно-вычислительных комплексах автоматизированных систем управления технологическими процессами, а также могут заменить их в зарубежных компьютерных моделирующих системах.
![]() | В процессе эксплуатации месторождения меняются состав и свойства нефтяной эмульсии, поступающей на установку подготовки нефти. Системы автоматического контроля расхода эмульсии и лабораторного контроля обводненности нефти, а также программно-технический комплекс для управления этим процессом позволяют оперативно отслеживать параметры технологического режима. От состава оборудования и режима его работы зависят качество готового «черного золота» и прибыль предприятия, рассказала одна из исследователей, старший преподаватель кафедры «Оборудование и автоматизация химических производств» Пермского Политеха, Татьяна Караневская.
| ![]() |
Ученые Пермского Политеха предложили алгоритм оптимизации процессов для его реализации в системе управления установкой промысловой подготовки нефти. Он позволяет определить наиболее эффективные значения параметров технологического режима работы оборудования и расхода нефтяной эмульсии, что обеспечивает достижение максимальной прибыли при реализации готовой продукции. Алгоритм основан на аналитических моделях технологических процессов, принципе оптимальности Беллмана для многостадийных производств и искусственных нейронных сетях. В результате оптимальные режимы работы установки определяются в зависимости от состава и свойств нефтяной эмульсии. Эффективность решения задачи обеспечивается за счет применения принципа оптимальности многостадийных процессов.
![]() | Ученные определили управляющие параметры для основных процессов: сепарации, обезвоживания и нагрева нефтяной эмульсии. Также разработали аналитические модели технологических процессов и подготовили обучающие выборки для нейронных сетей. Их применение позволяет определить оптимальные значения параметров технологического режима, которые обеспечивают необходимое качество «черного золота» и получение максимальной прибыли от действующей установки промысловой подготовки нефти, отмечает руководитель проекта, профессор кафедры «Оборудование и автоматизация химических производств» Пермского Политеха, доктор технических наук, Александр Шумихин.
| ![]() |
Исследователи подтвердили работоспособность и точность нейросетевых моделей. Они также оценили эффективность работы установки при оптимальных значениях технологических параметров и допустимом качестве нефти. По сравнению с существующим режимом работы оборудования, реализация оптимального технологического режима позволит сократить затраты на подготовку нефти на 15 %. Применение принципа оптимальности и нейросетевого подхода уменьшает затраты времени и вычислительных ресурсов для оптимизации процессов. По словам ученых, данный способ оптимизации технологического процесса можно внедрить в работу автоматизированной оперативно-управляющей системы в сфере промысловой подготовки нефти.
Подрядчики-лидеры по количеству проектов
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Распределение систем по количеству проектов, не включая партнерские решения
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)