– Иван, расскажите о теме своего исследования в рамках Конкурса молодых ученых?
– Я занимаюсь построением цифровых двойников технологических процессов, в частности, нефтепереработки, с помощью интеллектуальных подходов. Современные производственные процессы ежесекундно собирают обширные объемы информации о своем состоянии – показания автоматически снимаются со множества разнообразных датчиков; инженеры, используя проприетарные средства управления, контролируют производственный процесс и держат его показатели в допустимых пределах, а лаборатории оценивают показатели качества производимых нефтепродуктов. Потому, тема является достаточно обширной, так как потенциально охватывает все задачи контроля производства, которые до сих пор выполняются с использованием простых линейных моделей, заточенных на заказ под конкретную установку.
– Какие Вы ставите цели и задачи в вашем исследовании «Разработка методов прогнозирования и оптимизации производственных процессов нефтепереработки на основе методов искусственного интеллекта»?
– Исследуется несколько классов задач, в том числе задача прогнозирования показателей физических датчиков процесса – с целью удержать их в жестких рамках (нарушение которых, иногда, может привести к непоправимым последствиям), а также предсказать их поведение с целью оптимизировать производство; задача оптимизации управления производственным процессом – разработка подхода, ориентированного данными, позволяющего предсказать управляющие воздействия, которые бы привели установку к нужной комбинации параметров продуктов. Третья, не менее важная задача, предполагает разработку подходов, позволяющих аппроксимировать лабораторные исследования, которые, в отличии от физических показателей процесса, могут быть получены не чаще одного раза в день несмотря на то, что являются основными показателями качества продуктов.
Основной целью моего исследования является комплекс подходов, наиболее полно реализующих функционал цифрового двойника – модели, позволяющей оценить основные сценарии производства без потерь времени и денег, вызванных экспериментированием в реальных условиях.
– Есть ли у Вас где-то публикации или публичные выступления?
– На данный момент, главные публикации и выступления за время поддержки связаны с конференцией «Deep Learning in Computational Physics», где были представлены и опубликованы (в рамках специальных выпусков журнала «Moscow University Physics Bulletin») работы «Deep learning methods for the tasks of creating "digital twins" for technological processes» (2023) и «Сети глубокого обучения для построения виртуальных датчиков технологических процессов нефтепереработки» (2024, принято в публикацию).
– Как Ваше исследование продвинулось за время поддержки?
– За время поддержки были предложены методы оптимизации производственных процессов, объединяющие дифференцируемость нейросетевых моделей и классические подходы; методы отбора признаков и модели глубокого обучения, нацеленные на работу с разреженным откликом лабораторных исследований; разработаны и оценены множество прогнозных нейросетевых архитектур в рамках исследуемых наборов реальных данных нефтепереработки; предложены гибридные подходы, использующие мнение экспертов области. Сейчас разрабатываются методы оптимизации производственного процесса на основе обучения с подкреплением, ведется работа над будущими публикациями.