Застосування фізично обґрунтованих нейронних мереж (PINN) у контролі якості продукту процесу Габера-Боша.
| dc.contributor.author | Водяник, Б. Р. | |
| dc.contributor.author | Лорія, М. Г. | |
| dc.contributor.author | Кобзарев, Є. В. | |
| dc.contributor.author | Vodianyk, B. R. | |
| dc.contributor.author | Loriia, M. G. | |
| dc.contributor.author | Kobzarev, E. V. | |
| dc.date.accessioned | 2025-05-03T18:06:12Z | |
| dc.date.available | 2025-05-03T18:06:12Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | У статті розглянуто можливості застосування фізично обґрунтованих нейронних мереж (Physics- Informed Neural Networks, PINNs) для контролю якості аміаку, що виробляється за процесом Габера- Боша. Процес синтезу аміаку є високонелінійним і важливим промисловим процесом, де стабільність і висока якість продукту мають критичне значення. Традиційні методи контролю якості стикаються з обмеженнями, такими як брак прямих онлайн- вимірювань ключових параметрів та потреба в значних обсягах даних для побудови моделей. PINNs пропонують гібридний підхід, що поєднує фізичні закони процесу з можливостями глибокого навчання, дозволяючи здійснювати точне прогнозування концентрації та чистоти аміаку в реальному часі на основі обмеженого набору датчиків. У роботі проаналізовано сучасні дослідження, присвячені застосуванню нейромереж у промислових процесах, та обґрунтовано архітектуру PINN-моделі для моніторингу якості продукту в синтезі аміаку. Показано переваги PINNs над традиційними методами – скорочення потреби у даних, забезпечення фізично узгоджених результатів та інтеграція в існуючі системи керування для підвищення ефективності виробництва. Обґрунтовано, що фізично обґрунтовані нейронні мережі пропонують новий рівень інтелектуального контролю для хімічних процесів. У випадку синтезу аміаку цей підхід дозволяє по-новому вирішити давні проблеми контролю якості, об’єднавши науку і дані. Реалізація PINN у виробництві аміаку потенційно забезпечить більш високу якість продукту, гнучкість операцій та стійкість процесу, сприяючи прогресу в напрямі «Industry 4.0» [20] в хімічній промисловості. Це крок до більш розумних і ефективних заводів, де кожен важливий процес знаходиться під надійним наглядом комбінованого інтелекту людини та машини. Очікується, що впровадження такої технології сприятиме підвищенню виходу та стабільності процесу, зниженню енерговитрат (через оптимальні режими) та покращенню безпеки (завдяки ранньому виявленню відхилень і потенційних несправностей, що у масштабах глобальної індустрії може дати значний економічний ефект і зменшити споживання природного газу та викиди CO₂. | |
| dc.identifier.citation | Водяник Б. Р., Лорія М. Г., Кобзарев Є. В. Застосування фізично обґрунтованих нейронних мереж (PINN) у контролі якості продукту процесу Габера-Боша. Вісник Східноукраїнського національного університету імені Володимира Даля. 2024. № 6 (286). С. 190-198. | |
| dc.identifier.doi | https://doi.org/10.33216/1998-7927-2024-286-6-190-198 | |
| dc.identifier.udc | 662.7(075.8) | |
| dc.identifier.uri | https://dspace.snu.edu.ua/handle/123456789/2059 | |
| dc.language.iso | uk | |
| dc.publisher | СНУ ім. В. Даля | |
| dc.subject | фізично обґрунтовані нейронні мережі | |
| dc.subject | PINNs | |
| dc.subject | контроль якості | |
| dc.subject | процес Габера- Боша | |
| dc.subject | синтез аміаку | |
| dc.subject | цифровий двійник | |
| dc.title | Застосування фізично обґрунтованих нейронних мереж (PINN) у контролі якості продукту процесу Габера-Боша. | |
| dc.title.alternative | Application of physics informed neural networks (pinn) in quality control of the haber-bosch process product. | |
| dc.type | Article |