如今，石油需求和价格的波动为全球炼油行业带来了动荡的格局。炼油厂管理人员被迫审查和寻找新的方案，并就安全性、环境影响、物流和经济方面对每种方案进行评估。他们的快速分析和反应能力以及在运营中建立可靠性和弹性的能力，将是维持其业务和竞争优势的关键。
炼油行业的最终愿景是运营自我优化的自主工厂，而人工智能在整个行业的不断部署正使这一现实更加接近。尽管石油精炼厂商是许多数字工具的早期采用者，但该行业尚未充分认识到人工智能的潜力。
这在很大程度上是因为人工智能和机器学习经常被孤立地看待，而不是与现有的工程能力(模型、工具和专业知识)相结合，以提供一个切实可行的解决方案，从而有效地优化炼油厂的资产。
这些资产通常依赖于根据物理和化学的“第一原理”构建的工程模型，这些模型包含了关键领域的知识，如过程安全和对行业复杂系统的理解。
这些模型借鉴了世界上优秀的科学家、工艺工程师和操作人员的知识和经验。它们非常准确，但在某些过程中也具有局限性;为了提高其准确性，必须对生产数据进行校准，以符合观察到的工厂条件和性能。当前，有效的模型校准需要相当丰富的专业知识和经验。
建立混合模型
这是人工智能和机器学习发挥关键作用的地方。这些技术正在迅速兴起，它们可以极大地提高工厂数据的使用能力，既可以校准“第一原理”模型，又可以快速创建基于数据的现象和过程模型。人工智能可能会降低建模过程系统所需的专业知识的要求，但必须将其与领域专业知识相结合，以创建可使其安全可靠且直观地工作的模型。
这种结合可以实现人们所谓的“混合模型”，该模型将人工智能和“第一原理”有效地结合在一起，可以更快地提供全面准确的模型，而无需大量的知识和经验。至关重要的是，它们是通往自我优化工厂的重要阶段。
机器学习用于利用仿真、或工厂数据来创建模型。该模型还使用领域知识(包括第一原理和工程约束)来构建丰富的模型，并且无需用户具有深厚的流程专业知识或成为人工智能专家。
混合模型支持的解决方案充当了过去关注优先原则的世界和未来“智能炼油厂”环境之间的桥梁。它们是帮助实现自我优化装置的必要催化剂。
如今，许多公司都从混合建模方法中获得收益。精炼和烯烃利润与工厂规划者和运营商实现每月生产的能力密切相关，而该能力应尽可能接近计划，并且通常可以追溯到其过时或不正确的计划模型。例如，一家全球规模最大的精炼厂预测，根据需要经常对详细的反应堆模型进行最新修订，对于一个典型的日产量为20万桶的精炼厂来说，每年将创造超过1,000万美元的价值。这项技术在炼油厂应对其必须生产的产品的巨大变化时尤为及时。
实现自我优化工厂的愿景
对于许多炼油企业来说，开发混合动力模式解决方案也将是实现自我优化工厂愿景的第一步。而行业专家将其定义为能够自动适应和响应不断变化的操作条件的设备。
依靠人工智能和关键领域知识的结合，自我优化工厂将快速评估所有可用的数据流，包括资产内和资产之外。考虑到安全性、可持续性、资产健康和运营目标，它将对不断变化的条件做出快速反应，以实现可能的最佳结果。此外，还将使用人工智能来预测未来的行为，并为炼油企业工作人员和管理人员提供未来可供选择的运营场景。
在未来的自我优化工厂中，操作员和技术人员将做出更快、更灵活的业务决策，而这些系统已通过闭环运行以接近工厂预期极限的系统而摆脱了低附加值的重复性任务，自动应对意外情况。此外，资产可靠性信息和运营数据将为模型提供信息，以实现更安全、更可持续的设计。
这就是炼油企业所追求的目标。而通过混合建模获得的进步是通往自我优化工厂的转型步骤。
版权声明：本文为企业网D1Net编译，转载需注明出处为：企业网D1Net，如果不注明出处，企业网D1Net将保留追究其法律责任的权利。
京公网安备 11010502049343号