Принципы создания прототипа цифрового двойника процесса алкилирования бензола пропиленом на основе нейронной сети

Цели. Выявление принципов создания цифровых двойников реально действующей технологической установки на примере процесса жидкофазного алкилирования бензола пропиленом и установление последовательности этапов формирования цифрового двойника, которая может быть применима для оптимизации работы нефтегазохимического производства.

Методы. Рассмотрена в целом химико-технологическая система, состоящая из реактора, смесителя, теплообменников, сепаратора, ректификационных колонн и насоса, как система высокого уровня. Выполнен сбор данных, описывающих функционирование установки получения изопропилбензола алкилированием бензола пропиленом путем расчета основных параметров процесса с помощью имитационного моделирования с применением специализированного программного обеспечения UniSim® Design. Разработана и обучена нейросетевая модель, учитывающая влияние различных факторов реакционного процесса алкилирования, разделения продуктов реакции и оценки экономических факторов, обеспечивающих рыночную привлекательность рассматриваемого промышленного процесса. Определена адекватность результатов расчетов оптимальных параметров процесса методами математической статистики. Создан прототип цифрового двойника процесса, реализованной на микроконтроллере.

Результаты. Создана прогностическая нейросетевая модель и алгоритм ее построения для процесса алкилирования бензола пропиленом, позволяющая при загрузке ее в микроконтроллер обеспечить в режиме реального времени определение экономической эффективности работы установки и автоматическую оптимизацию работы установки в зависимости от состава поступающего сырья технологического режима системы, температурного режима проведения процесса и давления в реакторе.

Выводы. Созданная модель сложной химико-технологической системы производства кумола, откалиброванная на основании промышленных данных длительного пробега технологической установки и результатов расчетов выходных параметров процесса при помощи нейронной сети, реализованной на микроконтроллере, позволяет рассчитать параметры технологического процесса алкилирования (выход продуктов реакции, энергетические затраты, условную прибыль при выпуске готовой продукции). В процессе разработки прототипа программно-аппаратного комплекса управления установкой алкилирования бензола пропиленом на основе данных, адаптированных к работе реальной установки, были выявлены и сформулированы принципы и этапы создания цифрового двойника производственных систем отраслей химической технологии.

1. Popov N.A. Business process optimization in the digitalization era of production. Strategic Decisions and Risk Management. 2019;10(1):28–35. https://doi.org/10.17747/2618-947X-2019-1-28-35

2. Geng Z., Zhang Y., Li C., Han Y., Cui Y., Yu B. Energy optimization and prediction modeling of petrochemical industries: An improved convolutional neural network based on cross-feature. Energy. 2020;194(4)116851. https://doi.org/10.1016/j.energy.2019.116851

3. Cozmiuc D., Petrisor I. Industrie 4.0 by Siemens. J. Cases Inf. Technol. 2018;20(2):30–48. https://doi.org/10.4018/JCIT.2018040103

4. Ardito L., Petruzzelli A.M., Panniello U., Garavelli A.C. Towards Industry 4.0: Mapping digital technologies for supply chain management-marketing integration. Bus. Process Manag. J. 2019;25(2):323–346. https://doi.org/10.1108/BPMJ-04-2017-0088

5. Rindfleisch A., O’Hern M., Sachdev V. The Digital Revolution, 3D Printing, and Innovation as Data. J. Product Innov. Manag. 2017;34(5):681–690. https://doi.org/10.1111/jpim.12402

6. D’Ippolito B., Messeni Petruzzelli A., Panniello U. Archetypes of incumbents’ strategic responses to digital innovation. J. Intellectual Capital. 2019;20(5):662–679. https://doi.org/10.1108/JIC-04-2019-0065

7. Theorin A., Bengtsson K., Provost J., Lieder M., Johnsson C., Lundholm T., et al. An event-driven manufacturing information system architecture for Industry 4.0. Int. J. Prod. Res. 2017;55(5):1297–1311. https://doi.org/10.1080/00207543.2016.1201604

8. Broekhuizen T.L.J., Broekhuis M., Gijsenberg M.J., Wieringa J.E. Introduction to the special issue – Digital business models: A multi-disciplinary and multi-stakeholder perspective. J. Bus. Res. 2021;122:847–852. https://doi.org/10.1016/j.jbusres.2020.04.014

9. Appio F.P., Frattini F., Petruzzelli A.M., Neirotti P. Digital Transformation and Innovation Management: A Synthesis of Existing Research and an Agenda for Future Studies. J. Product Innov. Manag. 2021;38(1):4–20. https://doi.org/10.1111/jpim.12562

10. Kholopov V.A., Antonov S.V., Kurnasov E.V., Kashirskaya E.N. Digital Twins in Manufacturing. Russ. Engin. Res. 2019;39(12):1014–1020. https://doi.org/10.3103/s1068798X19120104

11. Agrawal A., Gans J., Goldfarb A. Prediction Machines: The Simple Economics of Artificial Intelligence. Boston, Massachusetts: Harvard Business Review Press; 2018. 272 p.

12. Ceipek R., Hautz J., Petruzzelli A.M., De Massis A., Matzler K. A motivation and ability perspective on engagement in emerging digital technologies: The case of Internet of Things solutions. Long Range Plann. 2021;54(5):101991. https://doi.org/10.1016/j.lrp.2020.101991

13. Eggers J.P., Kaul A. Motivation and Ability? A Behavioral Perspective on the Pursuit of Radical Invention in Multi-Technology Incumbents. Acad. Manage. J. (AMJ). 2018;61(1):67–93. https://doi.org/10.5465/amj.2015.1123

14. Libert B., Beck M., Wind Y. (Jerry). 7 Questions to Ask before Your Next Digital Transformation. Harvard Bus. Rev. 2016;12(7):11–13. URL: https://hbr.org/2016/07/7questions-to-ask-before-your-next-digital-transformation. Accessed January 5, 2022.

15. Correani A., De Massis A., Frattini F., Petruzzelli A.M., Natalicchio A. Implementing a Digital Strategy: Learning from the Experience of Three Digital Transformation Projects. Calif. Manag. Rev. 2020;62(4):37–56. https://doi.org/10.1177/0008125620934864

16. Grieves M., Vickers J. Digital Twin: Mitigating Unpredictable, Undesirable Emergent Behavior in Complex Systems. In: Kahlen J., Flumerfelt S., Alves A. (Eds.). Transdisciplinary Perspectives on Complex Systems. Cham.: Springer; 2017. P. 85–113. https://doi.org/10.1007/978-3-31938756-7_4

17. Negri E., Fumagalli L., Macchi M. A Review of the Roles of Digital Twin in CPS-based Production Systems. Procedia Manuf. 2017;11:939–948. https://doi.org/10.1016/j.promfg.2017.07.198

18. Zhou X., Eibeck A., Lim M.Q., Krdzavac N.B., Kraft M. An agent composition framework for the J-Park Simulator – A knowledge graph for the process industry. Comput. Chem. Eng. 2019;130(2):106577. https://doi.org/10.1016/j.compchemeng.2019.106577

19. Kockmann N. Digital methods and tools for chemical equipment and plants. React. Chem. Eng. 2019;4(9):1522–1529. https://doi.org/10.1039/C9RE00017H

20. Perno M., Hvam L., Haug A. Implementation of digital twins in the process industry: A systematic literature review of enablers and barriers. Comput. Ind. 2022;134:103558. https://doi.org/10.1016/j.compind.2021.103558

21. Hsu Y., Chiu J.M., Liu J.S. Digital Twins for Industry 4.0 and Beyond. In: 2019 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM). IEEE; 2019. P. 526–530. https://doi.org/10.1109/IEEM44572.2019.8978614

22. Lu Y., Liu C., Wang K.I.K., Huang H., Xu X. Digital Twin-driven smart manufacturing: Connotation, reference model, applications and research issues. Robot. Comput. Integr. Manuf. 2020;61:101837. https://doi.org/10.1016/j.rcim.2019.101837

23. Durão L.F.C.S., Haag S., Anderl R., Schützer K., Zancul E. Digital Twin Requirements in the Context of Industry 4.0. In: Chiabert P., Boura A., Noë F., Ríos J. (Eds.). Product Lifecycle Management to Support Industry 4.0. PLM 2018. IFIP Advances in Information and Communication Technology. Cham.: Springer; 2018. V. 540. P. 204–214. https://doi.org/10.1007/978-3-030-01614-2_19

24. Kuehner K.J., Scheer R., Strassburger S. Digital Twin: Finding Common Ground – A Meta-Review. Procedia CIRP. 2021;104(11):1227–1232. https://doi.org/10.1016/j.procir.2021.11.206

25. Adamenko D., Kunnen S., Pluhnau R., Loibl A., Nagarajah A. Review and comparison of the methods of designing the Digital Twin. Procedia CIRP. 2020;91:27–32. https://doi.org/10.1016/j.procir.2020.02.146

26. Zweber J.V., Kolonay R.M., Kobryn P., Tuegel E.J. Digital Thread and Twin for Systems Engineering: Requirements to Design. In: 55th AIAA Aerospace Sciences Meeting. Reston, Virginia: American Institute of Aeronautics and Astronautics; 2017. https://doi.org/10.2514/6.2017-0875

27. Schleich B., Anwer N., Mathieu L., Wartzack S. Shaping the digital twin for design and production engineering. CIRP Annals. 2017;66(1):141–144. https://doi.org/10.1016/j.cirp.2017.04.040

28. Zhou G., Zhang C., Li Z., Ding K., Wang C. Knowledge-driven digital twin manufacturing cell towards intelligent manufacturing. Int. J. Prod. Res. 2020;58(4):1034–1051. https://doi.org/10.1080/00207543.2019.1607978

29. Melesse T.Y., Di Pasquale V., Riemma S. Digital Twin Models in Industrial Operations: A Systematic Literature Review. Procedia Manuf. 2020;42:267–272. https://doi.org/10.1016/j.promfg.2020.02.084

30. Aghayarzadeh M., Alizadeh R., Shafiei S. Simulation and Optimization of Styrene Monomer Production Using Neural Network. Iranian Journal of Chemical Engineering (IJChE). 2014;11(1-Serial Number 1, January):30–41. https://dorl.net/dor/20.1001.1.17355397.2014.11.1.3.2

31. Alizadeh M., Sadrameli S.M. Modeling of Thermal Cracking Furnaces Via Exergy Analysis Using Hybrid Artificial Neural Network–Genetic Algorithm. J. Heat Transfer. 20161;138(4):042801. https://doi.org/10.1115/1.4032171

32. Xin S., Yingya W., Huajian P., Jinsen G., Xinguing L. Prediction of Coke Yield of FCC Unit Using Different Artificial Neural Network Models. China Petroleum Processing and Petrochemical Technology. 2016;18(3):102–109. URL: http://www.chinarefining.com/EN/Y2016/V18/I3/102

33. Meyers R.A. Handbook of Petrochemicals Production Processes. 1st ed. New York, Chicago, San Francisco, Athens, London, Madrid, Mexico City, Milan, New Delhi, Singapore, Sydney, Toronto: McGraw-Hill Education; 2005. 744 p.

34. Ananieva E.A., Egorova E.V., Larin L.B. Current status and future tends of combined process producing acetone and phenol. 1. The market review and modern state phenol preparation processes. Fine Chem. Technol. 2007;2(2):27–43 (in Russ.).

35. Larin L.B., Egorova E.V., Ananieva E.A. Current status and future tends of combined process for producing acetone and phenol. II. Intensification methods of cumene oxidation process. Fine Chem. Technol. 2008;3(3):53–60 (in Russ.).

36. Pathak A.S., Agarwal S., Gera V., Kaistha N. Design and Control of a Vapor-Phase Conventional Process and Reactive Distillation Process for Cumene Production. Ind. Eng. Chem. Res. 2011;50(6):3312–3326. https://doi.org/10.1021/ie100779k

37. Zhai J., Liu Y., Li L., Zhu Y., Zhong W., Sun L. Applications of dividing wall column technology to industrialscale cumene production. Chem. Eng. Res. Des. 2015;102:138–149. https://doi.org/10.1016/j.cherd.2015.06.020

38. Chudinova A., Salischeva A., Ivashkina E., Moizes O., Gavrikov A. Application of Cumene Technology Mathematical Model. Procedia Chem. 2015;15:326–334. https://doi.org/10.1016/j.proche.2015.10.052

39. Zarutskii S.A., Kichatov K.G., Nikitina A.P., Prosochkina T.P., Samoilov N.A. Simulation of the Process for Cumene Production by Alkylation of Benzene in Equilibrium Reactor. Pet. Chem. 2018;58(8):681–686. https://doi.org/10.1134/S0965544118080212

40. Mahmoudian F., Moghaddam A.H., Davachi S.M. Genetic‐based multi‐objective optimization of alkylation process by a hybrid model of statistical and artificial intelligence approaches. Can. J. Chem. Eng. 2022;100(1):90–102. https://doi.org/10.1002/cjce.24072

41. Sun X.Y., Xiang S.G. Product Distributions of Benzene Alkylation with Propylene Estimation Using Artificial Neural Network (ANN). Adv. Mat. Res. 2013;772:227–232. https://doi.org/10.4028/www.scientific.net/AMR.772.227

42. Tikhonenkov A.S., Peresypkin A.V., Toporskaya A.S., Suloeva E.S. Modeling of measuring systems based on programmable debugging circuits Arduino. In: 2017 XX IEEE International Conference on Soft Computing and Measurements (SCM). IEEE; 2017. P. 519–521. https://doi.org/10.1109/sCM.2017.7970636

43. Vorobyova I.S., Kichatov K.G., Prosochkina T.R. Neural network for determining the optimal parameters of the alkylation of benzene with propylene. Computer program registration certificate RU 2020612986, 03.06.2020. Application № 2020612093 dated February 26, 2020 (in Russ.).

44. Prokhorov A., Lysachev M. Digital Twin. Analysis, Trends, Global Experience. 1st ed. Borovkov A. (Ed.). Moscow: AliancePrint; 2020. 401 р. (in Russ.). URL: https://datafinder.ru/files/new4/digital_twin_book.pdf

45. Mandolla C., Petruzzelli A.M., Percoco G., Urbinati A. Building a digital twin for additive manufacturing through the exploitation of blockchain: A case analysis of the aircraft industry. Comput. Ind. 2019;109:134–152. https://doi.org/10.1016/j.compind.2019.04.011