Application de l’IA pour résoudre le problème d’un traitement du pétrole plus sûr et meilleur

Une partie importante de la transformation du pétrole brut lourd en essence et autres produits est le traitement de craquage catalytique fluidique. Le procédé, utilisé pour la première fois dans le commerce en 1915, a depuis subi diverses améliorations, mais pourrait être rendu plus sûr et plus efficace, selon des chercheurs basés en Chine. La réponse? Intelligence artificielle.

Les chercheurs ont publié comment l’intelligence artificielle pourrait améliorer le processus de craquage catalytique, qui consiste à décomposer chimiquement les longues molécules comprenant le pétrole brut lourd et à les séparer en produits souhaités le 7 avril à Exploration et analyse de mégadonnées.

« La sécurité, l’efficacité et la protection de l’environnement sont les principaux objectifs du traitement du pétrole », a déclaré le premier auteur Fan Yang, chercheur au Collège d’informatique de l’Université du Sichuan. Yang est également affilié à l’algorithme et au Big Data Center de New Hope Liuhe. « Les conditions de fonctionnement anormales, l’alerte précoce, l’analyse et l’optimisation du rendement du produit, ainsi que l’analyse et l’optimisation de la désulfuration des gaz de combustion sont les points chauds que nous recherchons pour améliorer respectivement la sécurité, l’efficacité et la protection de l’environnement. »

Selon Yang et son co-auteur Mao Xu, chercheur au Data Intelligence Lab de New Hope Liuhe, les avancées dans l’acquisition de données et l’intelligence artificielle utilisée pour comprendre les données ouvrent la voie à suivre.

« L’amélioration de la technologie de collecte de données industrielles nous permet d’obtenir plus de données pour l’analyse », a déclaré Xu. « Le développement de l’intelligence artificielle nous permet d’analyser ces données avec plus de précision. »

Pour mieux examiner et optimiser le processus de craquage catalytique, l’équipe a étudié les réseaux de neurones. Ce type d’intelligence artificielle modélise la façon dont il traite les données sur le cerveau humain, en utilisant des nœuds interconnectés pour analyser rapidement de grandes quantités de données. Il apprend au fur et à mesure qu’il traite, identifiant comment des points de données apparemment disparates peuvent signaler un problème plus vaste ou une opportunité potentielle lorsqu’ils sont rassemblés. Tenez compte de la température, de la production de vapeur et du rendement du produit souhaité.

Les réseaux de neurones, bien que basés sur des cerveaux humains, ne sont pas limités par l’attention humaine. Ils peuvent extraire des milliers et des milliers de points de données liés à ces trois variables et voir comment ils peuvent s’influencer mutuellement pour produire des résultats différents.

« Ce type d’apprentissage automatique est basé sur les données et peut résoudre automatiquement et efficacement des problèmes de grande dimension », a déclaré Xu. « En combinant l’apprentissage automatique avec un modèle de mécanisme – ou un algorithme qui comprend comment un mécanisme entraîne un comportement – nous pouvons réduire davantage les incertitudes et améliorer les performances de prédiction. »

Xu a noté que d’autres modèles d’apprentissage automatique peuvent être adaptés aux réseaux de neurones, en cartographiant la relation non linéaire du processus chimique dans le craquage catalytique. Dans cette approche, les chercheurs peuvent également sélectionner certaines caractéristiques ou réduire le nombre de dimensions prises en compte par l’intelligence artificielle pour étudier des connexions plus nuancées.

« Le document fournit un examen complet de l’analyse du processus de craquage catalytique fluidique, introduisant principalement des méthodes basées sur des mécanismes mathématiques traditionnels et l’intelligence artificielle », a déclaré Yang. « La méthode du réseau neuronal présente de grands avantages car elle peut traiter efficacement les caractéristiques de haute dimension et non linéaires des processus de craquage catalytique, obtenant de meilleurs résultats dans l’analyse des processus et la recherche d’optimisation. »

Les chercheurs ont déclaré qu’ils prévoyaient de tester éventuellement leurs réseaux de neurones, qui fonctionnent bien dans les simulations, dans le processus de production réel.

« Dans les recherches futures, les modèles hybrides combinant des modèles de mécanismes et des algorithmes d’intelligence artificielle devraient devenir des outils puissants pour une analyse plus complète et précise des processus chimiques et la prédiction des résultats de production », a déclaré Yang. « Ces méthodes joueront un rôle important dans le développement futur de l’industrie chimique et seront d’une grande valeur. »

Fourni par Tsinghua University Press