Введение в линейное программирование

В контексте нефтяной промышленности модель линейного программирования (ЛП) представляет собой математическую модель нефтеперерабатывающего завода, представляющую все выходы, единичные мощности, потребление коммунальных услуг, а также операции смешивания продуктов нефтеперерабатывающего завода с помощью целевой функции. к ряду ограничений.

Моделирование линейного программирования нефтеперерабатывающих заводов: как и в большинстве отраслей, работающих в конкурентной среде, для этого нефтеперерабатывающие заводы должны максимизировать свои экономические результаты; они должны максимизировать свою маржу, т. е. разницу между своими доходами от продукции, которую они производят, и их затратами.

Однако нефтеперерабатывающая промышленность имеет особую характеристику, заключающуюся в том, что продукты, производимые из различных видов сырой нефти, взаимозависимы. Невозможно произвести только один продукт из блоков очистки и конверсии, которые составляют традиционный нефтеперерабатывающий завод. Относительные пропорции получаемых продуктов зависят от характеристик различного сырья, используемых технологических установок и установленных рабочих параметров установки. Предлагаемая работа сосредоточена на конфигурациях технологических установок нефтеперерабатывающего завода для удовлетворения рыночного спроса на продукт. Таким образом, задача состоит в том, чтобы найти комбинацию сырья и подходящий способ его обработки с целью получения наилучшей общей маржи.

Статус-кво в промышленном моделировании для химического машиностроения

Я считаю, что за последние 5 лет эксперты и малый и средний бизнес в нефтегазовой отрасли стали свидетелями значительного сдвига парадигмы в моделировании, и мощные альтернативные приложения могут удовлетворить отраслевые требования благодаря выдающемуся спросу на проверенные веб-приложения, такие как Python и его расширенные пакеты SciPy, NumPy, Pandas и GEKKO. Были удивительные применения в химическом машиностроении, безопасности процессов, настройке управления технологическими процессами, расширенной динамике и оптимизации процессов. Кроме того, математические алгоритмы, которые были доступны в GEKKO и sklearn, сыграли важную роль в создании решений для анализа данных и машинного обучения. Хотя эти веб-приложения бесплатны; однако для этого требуется сильный и солидный опыт в алгебре, математике, дифференциальных уравнениях и конечном анализе.

Мой пример

Изучение экономики существующей CDU (установки перегонки сырой нефти) путем определения и разработки уравнения целевой функции, взвешивающего продажи продукта, стоимость сырья и эксплуатационные расходы. Что еще более важно, изучение анализа сырой нефти было целесообразным, чтобы соотнести выход продуктов переработки с каждым типом сырой нефти.

Знание прогнозируемого спроса на рынке до 2030 года позволило определить ограничения процесса.

Традиционный подход к изучению такой системы заключается в использовании PetroPlan (любезно предоставлено Wood) или PIMS (любезно предоставлено Aspen).

Тем не менее, альтернативным мощным подходом и бесплатным инструментом является использование GEKKO и его библиотеки химических технологий для написания модели LP и определения целевой функции (максимизация) для обеспечения высокой рентабельности инвестиций и оптимальной прибыльности.

Мои выводы

В моем утверждении я считаю, что крупные компании EPC и консультационные офисы должны диверсифицировать свой опыт, чтобы включить практическое применение инструментов машинного обучения и применять их в своей повседневной инженерной деятельности. Это влечет за собой умные и быстрые решения, значительное сокращение операционных расходов компаний и, следовательно, меньше накладных расходов. Этот рецепт успеха поможет существам выжить в диких соревнованиях.

С другой стороны, инженеры-технологи и инженеры-химики должны начать подтягивать свои носки и освежать свои умы, восстанавливая все основы и основы математики, чтобы быть полностью вооруженными надлежащими знаниями, когда они используют машинное обучение и его применение в нефтегазовой отрасли.

Одно из моих ожиданий: в ближайшие 2-3 года и из-за высоких требований к машинному обучению рынок увидит большие пробелы в компетенциях инженеров. Большинство инженеров в наши дни занимаются черчением чертежей, простыми гидравлическими расчетами, разработкой P&ID, и в результате у большого количества претендентов на поставку обычного проектирования, похоже, очень мало шансов выжить. Наоборот, продвинутая область анализа в рамках ML и правильные знания математики и анализа данных окупятся и помогут выжить.