Abstract
<jats:p>Сучасні промислові технології синтезу оцтової кислоти та її похідних переважно базуються на високоефективних каталітичних методах, серед яких провідне місце посідає карбонілювання метанолу (процеси Monsanto та Cativa). Ефективність таких виробництв безпосередньо залежить від роботи хімічних реакторів, що становлять апаратну основу галузі. В умовах високої ринкової конкуренції критично важливим є забезпечення суворої відповідності продукції галузевим специфікаціям, що потребує точного моніторингу та контролю вхідних і вихідних параметрів технологічного процесу. Найбільш поширений підхід передбачає використання нейромереж як моделей «чорної скриньки». На основі емпіричних даних об'єкта підбирається архітектура мережі та здійснюється її навчання (налаштування вагових коефіцієнтів) для досягнення максимальної адекватності моделі. Надалі отримані моделі інтегруються в системи предиктивного керування (Model Predictive Control, MPC). Вихід реактора синтезу оцтової кислоти (зокрема в процесі карбонілювання метанолу на родієвому каталізаторі) на робочий режим є складним динамічним процесом. Під час пуску система переходить із інертного стану в активну фазу реакції, що супроводжується різким зростанням тиску та інтенсивним екзотермічним ефектом. Застосування штучних нейронних мереж на цьому етапі дає змогу мінімізувати перерегулювання — критичну проблему керування, що загрожує спрацьовуванням систем аварійного захисту та скиданням параметрів. Чисельне моделювання здійснювалося в середовищі MATLAB (версія 2021) із застосуванням ітераційної процедури структурного синтезу нейронної мережі. Емпіричною базою дослідження слугували статистичні дані динаміки реактора синтезу оцтової кислоти у пусковий період. Похибки моделювання за оксидом вуглецю майже ідентичні результатам за метанолом, що вказує на симетричність впливу обох реагентів на вихідні параметри реактора. Для каналів регулювання тиску, температури та рівня незалежно від вхідного впливу (метанол чи CO) оптимальною є архітектура з лінійною функцією активації purelin на вихідному шарі. Це забезпечує високу точність апроксимації з похибкою не більше 1.6%. Канал концентрації оцтової кислоти виявився найбільш складним для моделювання за обома входами (мінімальна похибка 53.71%). Це вказує на те, що для прогнозування якості продукту в момент пуску стандартної структури мережі недостатньо — необхідно враховувати динамічну затримку (інерційність) або збільшувати глибину мережі.</jats:p>