«Автоматизация и информатизация ТЭК»

Применение суррогатного моделирования для оптимизации производства сжиженного природного газа по технологии C3MR

УДК: 519.673+66.011
DOI: -

Авторы:

¹ РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия

Ключевые слова: оптимизация производства СПГ, суррогатное моделирование, природный газ, искусственная нейронная сеть, случайный поиск, технологическое моделирование

Аннотация:

В рамках статьи была проведена стохастическая оптимизация технологического режима производства сжиженного природного газа (СПГ) по технологии C3MR. Оптимизация проводилась с применением суррогатного моделирования. Базовая технологическая модель была построена в программе UniSim Design R430. Для создания синтетической базы данных были проведены первичная генерация исходных данных, их фильтрация и расчеты на основе базовой модели. На полученной базе данных обучалась искусственная нейронная сеть (ИНС) для создания суррогатной модели. Архитектура ИНС подбиралась автоматически с помощью алгоритма оптимизации гиперпараметров Hyperband. Целью оптимизации на основе созданной суррогатной модели было повышение производства СПГ с учетом ограничений на теплообменное и компрессорное оборудование. В качестве алгоритма оптимизации использовался метод случайного поиска. В ходе оптимизации были подобраны оптимальные технологические параметры для режима производства СПГ в России. Применение суррогатного моделирования позволило выполнить высокопроизводительные расчеты с высокой степенью воспроизводимости результатов за минимальное время. Время расчета не превышало 1 мин, тогда как расчет на технологической модели занял бы недели. При этом отклонение макропараметра UA, фиксирование которого являлось основным ограничением, составило всего 6 %. По результатам сравнения повышение производительности составило 6,44 % по сравнению с ранее опубликованными результатами оптимизации.

Список литературы:

1. Optimization of mixed fluid cascade LNG process using a multivariate Coggins step-up approach: Overall compression power reduction and exergy loss analysis / A. Nawaz, M.A. Qyyum, K. Qadeer [et al.] // Int. J. of Refrigeration. – 2019. – Vol. 104. – P. 189–200. – DOI: 10.1016/J.IJREFRIG.2019.04.002
2. Никулин А.С., Куркин Д.С., Жедяевский Д.Н. Оптимизация энергетических затрат при производстве сжиженного природного газа в арктических условиях // Автоматизация и информатизация ТЭК. – 2022. – № 7(588). – С. 5–14. – DOI: 10.33285/2782-604X-2022-7(588)-5-14
3. Никулин А.С., Степнов Д.А., Куркин Д.С. Разработка суррогатной модели колонны стабилизации газового конденсата // Газовая пром-сть. – 2022. – № 11(840). – С. 42–45.
4. Разработка и апробация методических подходов и цифровых технологий нейросетевого прокси-моделирования установившегося двухфазного течения многокомпонентной смеси в системах сбора и промысловой подготовки газа (на примере Чаяндинского НГКМ) / А.В. Белинский, В.А. Маришкин, В.В. Самсонова, П.В. Пятибратов // Автоматизация и информатизация ТЭК. – 2024. – № 4(609). – С. 44–59.
5. Кочуева О.Н. Аппроксимация коэффициента сжимаемости газа на основе генетических алгоритмов // Автоматизация и информатизация ТЭК. – 2023. – № 11(604). – С. 59–68. – DOI: 10.33285/2782-604X-2023-11(604)-59-68
6. Lim Wonsub, Choi Kwangho, Moon Il. Current Status and Perspectives of Liquefied Natural Gas (LNG) Plant Design // Industrial & Engineering Chemistry Research. – 2013. – Vol. 52, Issue 9. – P. 3065–3088. – DOI: 10.1021/ie302877g
7. Primabudi E., Morosuk T., Tsatsaronis G. Multi-objective optimization of propane pre-cooled mixed refrigerant (C3MR) LNG process // Energy. – 2019. – Vol. 185. – P. 492–504. – DOI: 10.1016/j.energy.2019.07.035
8. Peng Ding-Yu, Robinson D.B. A New Two-Constant Equation of State // Industrial & Engineering Chemistry Fundamentals. – 1976. – Vol. 15, Issue 1. – P. 59–64. – DOI: 10.1021/i160057a011
9. Primabudi E. Evaluation and Optimization of Natural Gas Liquefaction Process with Exergy-Based Methods: A Case Study for C3MR: Doctoral Thesis. – Berlin, 2019. – 191 p. – DOI: 10.14279/DEPOSITONCE-8519
10. Impact of Sampling Technique on the Performance of Surrogate Models Generated with Artificial Neural Network (ANN): A Case Study for a Natural Gas Stabilization Unit / M. Ibrahim, S. Al-Sobhi, R. Mukherjee, A. AlNouss // Energies. – 2019. – Vol. 12, Issue 10. – P. 1906. – DOI: 10.3390/en12101906
11. A Python surrogate modeling framework with derivatives / M.A. Bouhlel, J.T. Hwang, N. Bartoli [et al.] // Advances in Engineering Software. – 2019. – Vol. 135. – Article No. 102662. – DOI: 10.1016/J.ADVENGSOFT.2019.03.005
12. Kingma D.P., Ba J.L. Adam: A method for stochastic optimization // 3rd Int. Conf. on Learning Representations (ICLR 2015), San Diego, CA, USA, May 7–9, 2015. – DOI: 10.48550/arXiv.1412.6980
13. Bergstra J., Bengio Y. Random Search for Hyper-Parameter Optimization // J. of Machine Learning Research. – 2012. – Vol. 13, Issue 10. – P. 281–305. – DOI: 10.5555/2503308.2188395
14. Močkus J. On bayesian methods for seeking the extremum // Optimization Techniques IFIP Technical Conf., Novosibirsk, July 1–7, 1974. – P. 400–404. – DOI: 10.1007/3-540-07165-2_55
15. Jamieson K., Talwalkar A. Non-stochastic Best Arm Identification and Hyperparameter Optimization // 19th Int. Conf. on Artificial Intelligence and Statistics (AISTATS), Cadiz, Spain, May 9–11, 2016. – P. 240–248. – DOI: 10.48550/arXiv.1502.07943
16. Hyperband: A Novel Bandit-Based Approach to Hyperparameter Optimization / L. Li, K. Jamieson, G. DeSalvo [et al.] // J. of Machine Learning Research. – 2018. – Vol. 18. – P. 1–52. – DOI: 10.48550/arXiv.1603.06560
17. Forrester A.I.J., Sóbester A., Keane A.J. Engineering Design via Surrogate Modelling: A Practical Guide. – John Wiley & Sons, 2008. – 210 p. – DOI: 10.1002/9780470770801