如今,石油需求和價格的波動為全球煉油行業(yè)帶來了動蕩的格局。煉油廠管理人員被迫審查和尋找新的方案,并就安全性、環(huán)境影響、物流和經(jīng)濟方面對每種方案進行評估。他們的快速分析和反應能力以及在運營中建立可靠性和彈性的能力,將是維持其業(yè)務和競爭優(yōu)勢的關鍵。
煉油行業(yè)的最終愿景是運營自我優(yōu)化的自主工廠,而人工智能在整個行業(yè)的不斷部署正使這一現(xiàn)實更加接近。盡管石油精煉廠商是許多數(shù)字工具的早期采用者,但該行業(yè)尚未充分認識到人工智能的潛力。
這在很大程度上是因為人工智能和機器學習經(jīng)常被孤立地看待,而不是與現(xiàn)有的工程能力(模型、工具和專業(yè)知識)相結合,以提供一個切實可行的解決方案,從而有效地優(yōu)化煉油廠的資產(chǎn)。
這些資產(chǎn)通常依賴于根據(jù)物理和化學的“第一原理”構建的工程模型,這些模型包含了關鍵領域的知識,如過程安全和對行業(yè)復雜系統(tǒng)的理解。
這些模型借鑒了世界上優(yōu)秀的科學家、工藝工程師和操作人員的知識和經(jīng)驗。它們非常準確,但在某些過程中也具有局限性;為了提高其準確性,必須對生產(chǎn)數(shù)據(jù)進行校準,以符合觀察到的工廠條件和性能。當前,有效的模型校準需要相當豐富的專業(yè)知識和經(jīng)驗。
建立混合模型
這是人工智能和機器學習發(fā)揮關鍵作用的地方。這些技術正在迅速興起,它們可以極大地提高工廠數(shù)據(jù)的使用能力,既可以校準“第一原理”模型,又可以快速創(chuàng)建基于數(shù)據(jù)的現(xiàn)象和過程模型。人工智能可能會降低建模過程系統(tǒng)所需的專業(yè)知識的要求,但必須將其與領域專業(yè)知識相結合,以創(chuàng)建可使其安全可靠且直觀地工作的模型。
這種結合可以實現(xiàn)人們所謂的“混合模型”,該模型將人工智能和“第一原理”有效地結合在一起,可以更快地提供全面準確的模型,而無需大量的知識和經(jīng)驗。至關重要的是,它們是通往自我優(yōu)化工廠的重要階段。
機器學習用于利用仿真、或工廠數(shù)據(jù)來創(chuàng)建模型。該模型還使用領域知識(包括第一原理和工程約束)來構建豐富的模型,并且無需用戶具有深厚的流程專業(yè)知識或成為人工智能專家。
混合模型支持的解決方案充當了過去關注優(yōu)先原則的世界和未來“智能煉油廠”環(huán)境之間的橋梁。它們是幫助實現(xiàn)自我優(yōu)化裝置的必要催化劑。
如今,許多公司都從混合建模方法中獲得收益。精煉和烯烴利潤與工廠規(guī)劃者和運營商實現(xiàn)每月生產(chǎn)的能力密切相關,而該能力應盡可能接近計劃,并且通常可以追溯到其過時或不正確的計劃模型。例如,一家全球規(guī)模最大的精煉廠預測,根據(jù)需要經(jīng)常對詳細的反應堆模型進行最新修訂,對于一個典型的日產(chǎn)量為20萬桶的精煉廠來說,每年將創(chuàng)造超過1,000萬美元的價值。這項技術在煉油廠應對其必須生產(chǎn)的產(chǎn)品的巨大變化時尤為及時。
實現(xiàn)自我優(yōu)化工廠的愿景
對于許多煉油企業(yè)來說,開發(fā)混合動力模式解決方案也將是實現(xiàn)自我優(yōu)化工廠愿景的第一步。而行業(yè)專家將其定義為能夠自動適應和響應不斷變化的操作條件的設備。
依靠人工智能和關鍵領域知識的結合,自我優(yōu)化工廠將快速評估所有可用的數(shù)據(jù)流,包括資產(chǎn)內和資產(chǎn)之外??紤]到安全性、可持續(xù)性、資產(chǎn)健康和運營目標,它將對不斷變化的條件做出快速反應,以實現(xiàn)可能的最佳結果。此外,還將使用人工智能來預測未來的行為,并為煉油企業(yè)工作人員和管理人員提供未來可供選擇的運營場景。
在未來的自我優(yōu)化工廠中,操作員和技術人員將做出更快、更靈活的業(yè)務決策,而這些系統(tǒng)已通過閉環(huán)運行以接近工廠預期極限的系統(tǒng)而擺脫了低附加值的重復性任務,自動應對意外情況。此外,資產(chǎn)可靠性信息和運營數(shù)據(jù)將為模型提供信息,以實現(xiàn)更安全、更可持續(xù)的設計。
這就是煉油企業(yè)所追求的目標。而通過混合建模獲得的進步是通往自我優(yōu)化工廠的轉型步驟。
版權聲明:本文為企業(yè)網(wǎng)D1Net編譯,轉載需注明出處為:企業(yè)網(wǎng)D1Net,如果不注明出處,企業(yè)網(wǎng)D1Net將保留追究其法律責任的權利。