8 December 2025 in Информатика. Экономика. Управление - Informatics. Economics. Management
В условиях роста доли тяжёлого сырья в нефтепереработке целенаправленное получение нефтяного кокса с заданной структурой является ключевой задачей для максимизации экономической отдачи. Существующие методы визуальной классификации обладают субъективностью и значительным временным лагом, что исключает возможность оперативного управления процессом. В данной работе проведён сравнительный анализ эффективности трёх методов машинного обучения: многослойного персептрона, метода опорных векторов и градиентного бустинга для решения задачи многоклассовой классификации структурного типа кокса на основе промышленных данных установки замедленного коксования. Использован массив исторических данных, включающий параметры сырья и технологического режима. Результаты показали, что наивысшую точность (98,5%) и сбалансированность метрик демонстрирует нейросетевая модель, превзойдя метод градиентного бустинга (96,7%) и метод опорных векторов (91,3%). Выявлены и ранжированы ключевые факторы, влияющие на формирование структуры: максимальная температура, коксуемость сырья и скорость нагрева. Разработанная модель предлагается в качестве интеллектуального модуля для интеграции в архитектуру гибридного цифрового двойника технологического процесса, обеспечивая переход к предиктивному управлению качеством продукции.