将重质原油制成汽油和其他产品的主要部分是流体催化裂化加工。据中国研究人员称，该工艺于1915年首次商业化使用，此后经历了各种改进，但可以变得更安全、更有效。答案是什么？人工智能。

研究人员于7月<>日在《大数据挖掘和分析》上发表了人工智能如何改善催化裂化过程，该过程涉及化学分解构成重质原油的长分子，并将它们分离出来作为所需产品。

“安全，高效和环保是石油加工的核心目标，”第一作者，四川大学计算机科学学院研究员杨帆说。杨还隶属于新希望六合算法和大数据中心。“异常运行状态、预警、产品良率分析与优化、烟气脱硫分析与优化分别是我们研究的提高安全、效率和环境保护的热点。”

根据杨和他的合著者，新希望六合数据智能实验室研究员Mao Xu的说法，数据采集和用于理解数据的人工智能的进步提供了前进的道路。

“工业数据收集技术的改进使我们能够获得更多数据进行分析，”徐说。“人工智能的发展使我们能够更准确地分析这些数据。

为了更好地检查和优化催化裂化过程，该团队研究了神经网络。这种类型的人工智能模拟了它如何处理人脑上的数据，使用互连的节点来快速分析大量数据。它在处理过程中学习，确定看似不同的数据点在组合在一起时如何发出更大的问题或潜在机会的信号。考虑温度、蒸汽产生和所需产品的产量。

神经网络虽然基于人类大脑，但不受人类注意力的限制。他们可以提取与这三个变量相关的成千上万个数据点，并查看它们如何相互影响以产生不同的结果。

“这种类型的机器学习是数据驱动的，它可以自动有效地解决高维问题，”徐说。“通过将机器学习与机制模型或理解机制如何导致行为的算法相结合，我们可以进一步减少不确定性并提高预测性能。

Xu指出，其他机器学习模型可以拟合到神经网络中，绘制催化裂化中化学过程的非线性关系。在这种方法中，研究人员还可以选择某些特征或减少人工智能考虑的维度数量，以研究更细微的联系。

“本文对流体催化裂化过程分析进行了全面综述，主要介绍了基于传统数学机制和人工智能的方法，”杨说。“神经网络方法显示出很大的优势，因为它可以有效地处理催化裂化过程的高维和非线性特性，在过程分析和优化研究中获得更好的结果。

研究人员表示，他们计划最终在实际生产过程中测试他们的神经网络，这些神经网络在模拟中表现良好。

“在未来的研究中，结合机制模型和人工智能算法的混合模型有望成为更全面，更准确地分析化学过程和预测生产结果的有力工具，”杨说。“这些方法将在化工行业的未来发展中发挥重要作用，具有重要价值。

原文标题：Applying AI to crack the problem of safer, better petroleum processing

原文链接：https://techxplore.com/news/2023-04-ai-problem-safer-petroleum.html

作者：Tsinghua University Press

编译：LCR