Автоматизация поиска оптимальных значений параметров процесса олигомеризации этилена

Введение. Приведено математическое описание процесса олигомеризации этилена на катализаторе NiO/B₂O₃-Al₂O₃ в среде жидкого растворителя гептана. Сформулированы задачи оптимального управления процессом. В качестве управляющих параметров приняты температура и время протекания процесса. Предложен алгоритм решения задачи оптимального управления промышленно значимым каталитическим процессом олигомеризации этилена. Метод. Поиск решения сформулированных задач осуществляется с применением генетического алгоритма с вещественным кодированием. Для каждой из рассматриваемых задач предложен способ представления математического аналога популяции, на основе которого выполняется поиск решения. Представлен пошаговый алгоритм определения оптимальных значений параметров процесса олигомеризации этилена. Особенностью алгоритма является одновременный поиск значений непрерывного параметра управления (температура) и дискретного параметра управления (время процесса). Разработана программа (приложение), позволяющая определить оптимальные значения параметров процесса. Приложение позволяет пользователю выбирать задачу оптимального управления, задавать значения параметров генетического алгоритма для поиска решения и визуализировать полученные результаты. Основные результаты. Проведен вычислительный эксперимент для процесса олигомеризации этилена. Рассчитана оптимальная продолжительность процесса в изотермических условиях, при которой достигается наибольшее значение концентрации углеводородов C₄. Определены оптимальные температурный режим и продолжительность процесса олигомеризации этилена, обеспечивающие максимальную концентрацию углеводородов С₆. Обсуждение. Проведенные численные эксперименты продемонстрировали меньшую ресурсозатратность, по сравнению с методами равномерного поиска и вариаций в пространстве управления. Предложенный алгоритм можно применять для исследования закономерностей протекания каталитических процессов, не прибегая к проведению лабораторных экспериментов, сопряженных с дополнительными материальными и временными затратами.

1. Джамбеков А.М., Щербатов И.А. Оптимальное управление процессом каталитического риформинга бензиновых фракций // Вестник Тамбовского государственного технического университета. 2017. Т. 23. № 4. С. 557–571. https://doi.org/10.17277/vestnik.2017.04.pp.557-571

2. Антипина Е.В., Мустафина С.А., Антипин А.Ф. Теоретическая оптимизация режимных параметров каталитической реакции с переменным реакционным объемом // Вестник Тверского государственного университета. Серия: Химия. 2022. № 2(48). С. 67–78. https://doi.org/10.26456/vtchem2022.2.8

3. Charitopoulos V.M., Papageorgiou L.G., Dua V. Multi-parametric mixed integer linear programming under global uncertainty // Computers & Chemical Engineering. 2018. V. 116. P. 279–295. https://doi.org/10.1016/j.compchemeng.2018.04.015

4. Charitopoulos V.M., Papageorgiou L.G., Dua V. Closed-loop integration of planning, scheduling and multi-parametric nonlinear control // Computers & Chemical Engineering. 2019. V. 122. P. 172–192. https://doi.org/10.1016/j.compchemeng.2018.06.021

5. Зиятдинов Н.Н., Емельянов И.И., Туен Л.К. Метод синтеза оптимальных многостадийных систем теплообмена // Теоретические основы химической технологии. 2018. Т. 52. № 6. С. 614–627. https://doi.org/10.1134/S0040357118060192

6. Fu K., Zou Y., Li S. Iterative unit-based Adaptive dynamic programming with application to fluid catalytic cracker unit // Proc. of the 2019 Chinese Automation Congress (CAC). 2019. P. 5010–5015. https://doi.org/10.1109/CAC48633.2019.8996670

7. Cao X., Jia S., Luo Y., Yuan X., Qi Z., Yu K.-T. Multi-objective optimization method for enhancing chemical reaction process // Chemical Engineering Science. 2019. V. 195. P. 494–506. https://doi.org/10.1016/j.ces.2018.09.048

8. Kozuch D.J., Stillinger F.H., Debenedetti P.G. Genetic algorithm approach for the optimization of protein antifreeze activity using molecular simulations // Journal of Chemical Theory and Computation. 2020. V. 16. N 12. P. 7866–7873. https://doi.org/10.1021/acs.jctc.0c00773

9. Antipina E.V., Mustafina S.A., Antipin A.F. Algorithm of solving a multiobjective optimization problem on the basis of a kinetic chemical reaction model // Optoelectronics, Instrumentation and Data Processing. 2021. V. 57. N 6. P. 668–674. https://doi.org/10.3103/S8756699021060029

10. Трокоз Д.А. Метод параметрической оптимизации для широких нейронных сетей с использованием генетических алгоритмов // Известия Самарского научного центра Российской академии наук. 2021. Т. 23. № 2. С. 51–56. https://doi.org/10.37313/1990-5378-2021-23-2-51-56

11. Stastny J., Skorpil V., Balogh Z., Klein R. Job shop scheduling problem optimization by means of graph-based algorithm // Applied Sciences. 2021. V. 11. N 4. P. 1921. https://doi.org/10.3390/app11041921

12. Gulbaz R., Siddiqui A.B., Anjum N., Alotaibi A.A., Althobaiti T., Ramzan N. Balancer genetic algorithm–a novel task scheduling optimization approach in cloud computing // Applied Sciences. 2021. V. 11. N 14. P. 6244. https://doi.org/10.3390/app11146244

13. Jalali Z., Noorzai E., Heidari S. Design and optimization of form and facade of an office building using the genetic algorithm // Science and Technology for the Built Environment. 2020. V. 26. N 2. P. 128–140. https://doi.org/10.1080/23744731.2019.1624095

14. Xie L., Chen Y., Chang R. Scheduling optimization of prefabricated construction projects by genetic algorithm // Applied Sciences. 2021. V. 11. N 12. P. 5531. https://doi.org/10.3390/app11125531

15. Migov D.A., Volzhankina K.A., Rodionov A.S. Genetic algorithms for drain placement in wireless sensor networks optimal by the reliability criterion // Optoelectronics, Instrumentation and Data Processing. 2021. V. 57. N 3. P. 240–249. https://doi.org/10.3103/S8756699021030110

16. Волков А.А., Булучевский Е.А., Лавренов А.В. Кинетика олигомеризации этилена на катализаторе NiO/B2O3-Al2O3 в жидкой фазе // Журнал Сибирского федерального университета. Серия: Химия. 2013. Т. 6. № 4. С. 352–360.