Тип публикации: статья из журнала
Год издания: 2025
Ключевые слова: oil treatment, neural networks, technology, LSTM neural network, flow prediction, intelligent technologies, подготовка нефти, нейросети, технология, LSTM-нейросеть, предсказание потока, интеллектуальные технологии
Аннотация: Цель исследования - разработка метода интеллектуального управления установкой по подготовке углеводородного сырья на основе нейросетевых технологий. В ходе работы были поставлены задачи: проанализировать существующие методы управления технологическим процессом, разработать интеллектуальную модель на основе LSTM-нейросети, провести Показать полностьювычислительный эксперимент для оценки точности и эффективности предложенной модели. Гипотеза исследования заключается в том, что использование нейросетей для управления технологическими процессами повысит точность предсказания параметров и позволит снизить время стабилизации процесса. Методы исследования включали анализ данных с производственной установки, моделирование технологического процесса и обучение нейросети с использованием библиотеки TensorFlow. Результаты исследования продемонстрировали низкий уровень ошибок предсказаний: менее 0,095 для среднего диапазона и 0,155 для длительных временных интервалов по метрике MAE. Разработанная модель подтвердила свою эффективность в задачах прогнозирования и управления технологическим процессом. The objective of the study is to develop a method for intelligent control of a hydrocarbon feedstock preparation unit based on neural network technologies. The following tasks were set during the work: to analyze existing process control methods, develop an intelligent model based on an LSTM neural network, and conduct a computational experiment to assess the accuracy and efficiency of the proposed model. The hypothesis of the study is that the use of neural networks for process control will increase the accuracy of parameter prediction and reduce the process stabilization time. The research methods included analysis of data from the production unit, process modeling, and neural network training using the TensorFlow library. The results of the study demonstrated a low level of prediction errors: less than 0.095 for the average range and 0.155 for long time intervals according to the MAE metric. The developed model has proven its effectiveness in forecasting and process control tasks.
Журнал: Перспективы науки
Выпуск журнала: №1
Номера страниц: 43-52
ISSN журнала: 20776810
Место издания: Тамбов
Издатель: Межрегиональная общественная организация "Фонд развития науки и культуры"