Совершенствование методов расчета узла нагревания масла с использованием цифрового моделирования и машинного обучения

АКТУАЛЬНОСТЬ. Вопросы эффективного использования топливно-энергетических ресурсов в промышленности России остаются крайне важными, что подтверждается принятием ряда законодательных и нормативных документов на федеральном и региональном уровнях. Исторически сложившаяся структура энергокомплексов предприятий, включая производства с использованием масляных систем, формировалась в условиях низких цен на энергоносители, что привело к недостаточной энергоэффективности технологических процессов. В связи с этим актуальной задачей становится модернизация существующих узлов, в частности, систем нагрева масла, с применением современных методов технологического моделирования. ЦЕЛЬ. Исследование узла нагревания масла с целью оптимизации его теплового режима, снижения энергопотерь и разработки мероприятий по повышению энергоэффективности с использованием инструментов технологического моделирования является целью данного исследования. МЕТОДЫ. Для достижения поставленных целей применялись: системный анализ тепловых и технологических процессов, математическое и компьютерное моделирование теплообмена в узле нагрева масла, методы энерготехнологического комбинирования для выявления резервов энергосбережения. РЕЗУЛЬТАТЫ. В рамках исследования проведены: анализ тепловых потерь в узле нагрева масла, моделирование тепловых потоков с учетом изменения вязкости и теплоемкости масла, оценка эффективности работы теплообменного оборудования и выявление «узких мест». Предлагаемые решения: внедрение дополнительного теплообменника для утилизации тепла отходящих газов, оптимизация режимов нагрева за счет автоматизации управления температурными параметрами, использование рекуперативных схем для повышения КПД системы. ЗАКЛЮЧЕНИЕ. Реализация предложенных мер позволит получить экономию в размере составил 6,55 млн рублей в год. Применение инструментов технологического моделирования при модернизации узла нагрева масла позволяет оптимизировать тепловые процессы, сократить энергопотери и повысить экономическую эффективность производства. Внедрение предложенных решений обеспечит значительную экономию энергоресурсов при относительно коротком сроке окупаемости. Реализация данного проекта внесет вклад в цифровую трансформацию процессов теплопередачи и энергоэффективности в нефтехимической промышленности за счет применения технологий искусственного интеллекта и машинного обучения. Это соответствует ключевым направлениям Стратегии научно-технологического развития РФ, включая переход к интеллектуальным производственным системам, обработку больших данных и внедрение методов автоматизированного управления. Таким образом, предлагаемый подход открывает новые возможности для цифровизации нефтехимических производств, повышая их эффективность, экологичность и конкурентоспособность в соответствии с приоритетами НТР РФ.

1. Мануйко Г.В., Аминова Г.А., Дьяконов Г.С., Ахметов И.Г., Бронская В.В. Кинетическая неоднородность неодимовой каталитической системы, модифицированной метилалюмоксаном //Теоретические основы химической технологии. 2015. Т. 49. № 3. С. 261.

2. Шатунов Д.Н., Камаева К.А., Малыгин А.В., Клинов А.В. Влияние конструкции сегментных перегородок на процесс теплообмена в газомасляном теплообменном аппарате // Вестник Технологического университета. – 2024. – Т. 27, № 8. – С. 98-103.

3. Бронская В.В., Зиннурова О.В., Фирсин А.А., Шипин А.В. Цифровое моделирование установки газофракционирования с использованием методов машинного обучения // Современные наукоемкие технологии. – 2024. – № 11. – С. 10-16. – DOI 10.17513/snt.40204.

4. Харитонова О.С., Бронская В.В., Зиннурова О.В., Фирсин А.А. Моделирование установки замедленного коксования в программе MATLAB // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2024. – № 2. – С. 29-37. – DOI 10.24143/2072-9502-2024-2-29-37.

5. Haibullina A., Khairullin A., Balzamov D., Ilyin V., Bronskaya V., Khairullina L. Local heat transfer dynamics in the in-line tube bundle under asymmetrical pulsating flow // Energies. 2022. Т. 15. № 15. С. 5571.

6. Бальзамов Д.С., Конахина И.А. Система энерготехнологического комбинирования высокотемпературного участка дегидрирования изоамиленов в изопрен // Вестник Казанского государственного энергетического университета. 2010. № 1(4). С. 16-25.

7. Бальзамов Д.С., Бронская В.В. Повышение эффективности использования тепловой энергии на теплотехнологическом участке производства этилена // Известия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИ. 2025. Т. 27. № 1. С. 103-115. doi: 10.30724/1998-9903-2025-27-1-103-115.

8. Артюшкин И.В., Максимов А.Е. Разработка автоматической системы управления процессом термохимического обезвоживания нефтяных эмульсий на основе искусственной нейронной сети // Вестник Самарского государственного технического университета. Серия: Технические науки. 2017. № 1 (53). С. 7–15.

9. Малыгин А.В., Емельянов И.И., Семин Р.В., Фазлыев А.Р., Зиятдинов Н.Н., Клинов А.В. Моделирование процесса мембранного разделения жидкой смеси в среде Aspen HYSYS. Тонкие химические технологии. 2025;20(1):75-88. https://doi.org/10.32362/2410-6593-2025-20-1-75-88.

10. Chen X., Wang N. Modeling a Delayed Coking Process with GRNN and Double-Chain Based DNA Genetic Algorithm // International Journal of Chemical Reactor Engineering. 2010. Vol. 8, Is. 1. DOI: 10.2202/1542-6580.2192.

11. Hayrullin A., Haibullina A., Sinyavin A., Ilyin V. Experimental study of the in-line tube bundle thermal performance in pulsating flow // International Journal of Heat and Mass Transfer. – 2024. – Vol. 232. – С. 125916. – DOI 10.1016/j.ijheatmasstransfer.2024.125916.

12. Деникеева А.У. Моделирование процесса получения газойля при помощи искусственной нейронной сети // Приоритетные научные направления: от теории к практике. 2016. № 26–1. С. 219–223.

13. Hayrullin A., Sinyavin A., Haibullina A. [et al.] Heat Transfer in Annular Channels with the Inner Rotating Cylinder and the Radial Array of Cylinders // Energies. – 2024. – Vol. 17, №. 23. – С. 6047. – DOI 10.3390/en17236047.

14. Мухаметзянова А.Г., Бронская В.В., Харитонова О.С. Нейросетевое моделирование гидродинамики потока в колонных аппаратах с насадочными элементами // Вестник Технологического университета. 2021. Т. 24, № 12. С. 139–141.

15. Frolov I.N., Firsin A.A., Okhotnikova E.S., Yusupova T.N., Ziganshin M.A. Тhe study of bitumen by differential scanning calorimetry: the interpretation of thermal effects // Petroleum Science and Technology. 2019. Т. 37, № 4. P. 417–424.

16. Laptev A.G., Lapteva E.A., Solovieva O.V., Klochkova V.A. Methods of Mathematical Modeling of Desorption of Poorly Soluble Gases in Packed Devices // Theoretical Foundations of Chemical Engineering. – 2024. – Vol. 58, No. 4. – С. 1027-1035. – DOI 10.1134/S0040579525600147.

17. Bakhtadze N.N., Lototsky V.A. Knowledge-based models of nonlinear systems based on inductive learning // Intelligent Systems Reference Library. 2016. Vol. 98. P. 85–104.

18. Tun M.S., Lakshminarayanan S., Emoto G. Data Selection and Regression Method and Its Application to Softsensing Using Multirate Industrial Data // Journal of Chemical Engineering of Japan. 2008. Vol. 41, Is. 5. P. 374–383.

19. Шаймухаметов Д.Р., Мустафина С.А., Шаймухаметова Д.В. Прямое моделирование процесса дегидрирования метилбутенов в изопрен на основе искусственных нейронных сетей // Вестник Технологического университета. 2017. Т. 20, № 24. С. 123–126.

20. Burlutsky E., Balzamov D., Bronskaya V. [et al.] Influence of Temperature on the Thermal Properties of the Core Material - the Coefficient of Temperature Conductivity, Specific Heat Capacity, Thermal Conductivity // International Journal of Technology. – 2023. – Vol. 14, №. 2. – P. 443. – DOI 10.14716/ijtech.v14i2.6009.

21. Хайбуллина А.И., Зиннатуллин Н.Х., Ильин В.К. Повышение эффективности работы теплообменного оборудования использованием пульсационных методов очистки. Известия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИ. 2021;23(1):59-67. https://doi.org/10.30724/1998-9903-2021-23-1-59-67