Вычисление характеристик дизельного топлива с использованием методов машинного обучения

1.

Вычисление характеристик дизельного
топлива с использованием
методов машинного обучения
Выполнил: студент
группы 3822М1Фии1
Попов Даниил
Руководитель: д.ф.-м.н., ст.н.с.
Кувыкин В.И.
1

2.

Искусственный интеллект в нефтепереработке
В современном мире очевидна исключительность роли
нефтяной промышленности. Крупные нефтяные
компании готовы тратить большие деньги на
оптимизацию добычи и обработки нефтепродуктов.
В чем помогает искусственный интеллект
•Сокращать затраты при увеличении добычи
•Разведочное бурение
•Анализ данных сейсмических исследований
Разработка концепции интеллектуального
месторождения поможет добывающим
компаниям сократить расходы на 5% и
увеличить объем добычи на 2%.
То, что нефтегазовая отрасль уже активно
использует решения на базе AI, подтверждает
объем рынка этих решений: в 2019 году
добывающая промышленность потратила на
них больше $2 миллиардов
2

3.

Оценка качества ДТ используя ИНС
Постановка задачи: изучить модели машинного
обучения для прогнозирования низкотемпературных
свойств дизельного топлива
Выходные значения
1.
Предельная температура фильтруемости минимальная температура, при которой будет
обеспечен бесперебойный поток в топливных
системах
2.
Температура помутнения - температура, при
которой начинается процесс кристаллизации
содержащегося в топливе парафина.
3

4.

Свойства и характеристики
Характеристики:
1)
2)
3)
4)
5)
6)
7)
8)
9)
Цетановое число - характеристика воспламеняемости
Цетановый индекс
Плотность (кг/м3)
Массовая доля полициклических ароматических углеводородов (%)
Температура вспышки (°C)
Кинетическая вязкость
Объем перегонки до 180 °C (%)
Объем перегонки до 360 °C (%)
Температура выкипания 95 % объема (°C)
Предсказываем:
1) Предельная температура фильтруемости
2) Температуры помутнения
Обучающее множество - 280 элементов
Тестовое – 100 элементов.
4

5.

Предыдущие результаты
Ранее я использовал две модели для предсказания
низкотемперурных характеристик дизельного топлива
1) Линейная регрессия
2) Многослойная нейронная сеть
Нейронная сеть. Тестовая выборка
MSE = 2.43
MAE = 1.29
R2 = 0.69
Линейная регрессия. Тестовая выборка
MSE = 2.50
MAE = 1.36
R2 = 0.68
5

6.

Градиентный бустинг
Gradient Boosting on Decision Trees, GBDT
Бустинг,
воплощает
идею
последовательного
построения
линейной комбинации алгоритмов.
Каждый
следующий
алгоритм
старается
уменьшить
ошибку
текущего ансамбля.
Он отлично работает на
выборках
с
«табличными»,
неоднородными данными. Стоит
только понимать, что построенная
композиция по сути окажется
линейной комбинацией линейных
моделей,
то
есть
опять-таки
линейной моделью (или нейросетью
с одним полносвязным слоем). Это
уменьшает возможности ансамбля
эффективно определять нелинейные
зависимости в данных.
6

7.

Предобработка данных
1)
2)
3)
4)
Замена пропущенных значений
математическим ожиданием
Нормализация данных
Обнаружение выбросов путем
построения диаграммы «Ящик с
усами»
Нахождение сильно
коррелированных признаков (от 0.8)
Рис. Матрица корреляций
Рис. «Ящик с усами»
7

8.

Гиперпараметры
num_leaves (количество листьев): Определяет максимальное количество листьев в каждом дереве в
ансамбле.
learning_rate (скорость обучения): Скорость обучения определяет, насколько быстро модель
адаптируется к новым данным.
feature_fraction (доля признаков): Этот параметр определяет долю признаков, случайно выбираемых
для построения каждого дерева.
bagging_fraction (доля выборки): Этот параметр указывает долю обучающих данных, случайно
выбираемых для построения каждого дерева
bagging (бутстрап-итерации): Количество итераций "бутстрапа" или случайного выбора обучающих
данных для построения каждого дерева.
lambda_l2 (L2 регуляризация): Этот параметр представляет собой коэффициент L2-регуляризации,
который помогает предотвратить переобучение модели путем штрафования больших значений весов
признаков.
min_child_samples (минимальное количество образцов в листе): Устанавливает минимальное
количество обучающих образцов, которые могут находиться в листе дерева.
8

9.

Результаты
Оптимальные параметры:
num_leaves = 30, learning_rate = 0.025, feature_fraction = 0.6, bagging_fraction =
0.82, bagging = 0.82, lambda_l2 = 0.2, min_child_samples = 0.6
MSE = 2.33
MAE = 1.37
R2 = 0.73
MSE = 2.45
MAE = 1.39
R2 = 0.71
9

10.

Заключение
После предварительной обработки данных была построена модель
градиентного бустинга для прогнозирования низкотемпературных свойств
дизельного топлива по известным качественным характеристикам.
Результат
оказался
достаточным,
чтобы
утверждать
о
возможности
применении данной модели для прогнозирования предельной температуры
фильтруемости и температуры помутнения.
Метрики данной модели также были сравнены с построенной моделями
линейной регрессии и ИНС, оказались лучше, что дает повод говорить о
разумности практического применения градиентного бустинга для решения
поставленной задачи.
10

11.

Литература
1.
Кувыкин В.И., Кувыкина Е.В Использование нейронных сетей для расчета качественных характеристик
нефтепродуктов – 2020 // Современные наукоемкие технологии. 2020. № 4. С.26 – 30.
2.
Маринович С., Баланча.С., Юкич.С. Вычисление низкотемпературных характеристик дизельного топлива
с помощью искусственных нейронных сетей // Химия и технология топлив и масел 2012. №1. C.47-51.
3.
Писаревский Д.В., Будник В.А., Куцуев К.Ф., Жирнов Б.С. Современные методы математической
обработки и их роль в оптимизации технологических процессов нефтехимии и нефтепереработки //
Нефтепереработка и нефтехимия. Научно-технические достижения и передовой опыт. 2011. №8 С.16-21.
4.
И. В. Пискунов, М. В. Шаманин, Н. Ю. Башкирцева РАЗВИТИЕ ИНФОРМАЦИОННЫХ СИСТЕМ
ПЛАНИРОВАНИЯ И УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ В
НЕФТЕПЕРЕРАБОТКЕ // Вестник технологического университета. 2021. Т.24, №10 С. 62-65
5.
Husam Alkinani, Abo Taleb Tuama Al-Hameedi, Shari Dunn-Norman, Ralph Flori, Applications of Artificial
Neural Networks in the Petroleum Industry: A Review, March 2019
6.
ГОСТ 33755—2016 // ТОПЛИВО ДИЗЕЛЬНОЕ И МАЗУТ ТОПОЧНЫЙ. Определение предельной
температуры фильтруемости на холодном фильтре. 2016. С. 10-12
11