Журнал СФУ. Техника и технологии / Моделирование непрерывной затравочной кристаллизации гиббсита методом машинного обучения

Полный текст (.pdf)
Номер
Журнал СФУ. Техника и технологии. 2021 14 (8)
Авторы
Голубев, В. О.; Бледных, И. В.; Филинков, М. В.; Жарков, О. Г.; Щелконогова, Т. Н.
Контактная информация
Голубев, В. О.: РУСАЛ Инженерно-технологический центр Отдел математического моделирования Российская Федерация, Санкт-Петербург; Бледных, И. В.: РУСАЛ Инженерно-технологический центр Отдел математического моделирования Российская Федерация, Санкт-Петербург; Филинков, М. В.: АО «РУСАЛ УРАЛ» в Каменске-Уральском Производственный отдел Российская Федерация, Каменск-Уральский; Жарков, О. Г.: РУСАЛ Инженерно-технологический центр Департамент по технологии и техническому развитию глиноземного производства Российская Федерация, Каменск-Уральский; Щелконогова, Т. Н.: РУСАЛ Инженерно-технологический центр Департамент по технологии и техническому развитию глиноземного производства Российская Федерация, Каменск-Уральский
Ключевые слова
seeded crystallization; oscillation process; prediction of time series; deep learning; alumina production; long short-term memory; convolutional network; затравочная кристаллизация; осцилляционный процесс; прогнозирование временных рядов; глубокое обучение; производство глинозема; сеть с долгой краткосрочной памятью; сверточная сеть
Аннотация

Непрерывной затравочной кристаллизации характерны осцилляции фракционного состава и продуктивности раствора, которые трудно описать аналитическими методами из-за существенной нелинейности и высокой инерционности процесса. В работе использован статистический подход к подготовке исходных данных, определению значимых факторов и их ранжированию по степени влияния на динамику развития популяции кристаллов. Выполнен анализ эффективности различных методов машинного обучения для построения модели, прогнозирующей временные ряды классов крупности частиц и состав конечного раствора. Предложен способ прогнозирования распределения популяции кристаллов по размерам и продуктивности раствора с использованием методов глубокого обучения, который для решения этой задачи в мировой практике еще не применялся. Показано, что модели на основе ячеек с долгой краткосрочной памятью (LSTM) обеспечивают более высокую точность при меньшем числе обучаемых параметров в сравнении с другими архитектурами многослойных нейронных сетей. Обучение моделей и оценка их качества выполнены на основе архива исторических данных, собранных на участках кристаллизации гидроксида алюминия на действующем глиноземном заводе

Страницы
966–985
DOI
10.17516/1999-494X-0366
Статья в архиве электронных ресурсов СФУ
https://elib.sfu-kras.ru/handle/2311/145049

Лицензия Creative Commons Эта работа лицензируется по лицензии Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0).