Математическая модель в химии:
снижаем риски, экономим время

Химическое производство — «красный океан» с высоким уровнем конкуренции. Для того чтобы в нем выживать, необходимо постоянно оптимизировать процессы, снижать затраты, внедрять новые методики и разработки. Делать это непосредственно на промышленной площадке так же опасно, как взбираться на Эверест без страховки.

В лабораторных условиях разложить сложную систему в широком диапазоне параметров состояния невозможно. На помощь приходит математическая модель — надежный и относительно недорогой инструмент анализа. Она наглядно демонстрирует прохождение потоков и химических реакций, готова для проверки непосредственно на производстве.

Модель разрабатывается, когда изучаемый объект сложен для натурного исследования, изучение объекта может привести к его разрушению, эксперимент с натурным объектом стоит дорого или его еще не существует в природе.

Обычно речь идет либо о разработке новых систем, либо о модернизации действующих. В первом случае стоит, к примеру, задача замены катализатора, установки дополнительного оборудования или переработки отходов в ценные продукты. Во втором случае функционирующее производство оптимизируют для повышения производительности, снижения издержек, улучшения параметров процесса.

Создание математической модели химико-технологического процесса проходит в три этапа. На каждом из них специалисты творчески применяют шаблоны и алгоритмы, чтобы избежать ошибки на выходе. В систему нужно заложить достаточно данных, при этом исключить риск переобучения машины.

Самый ответственный этап. Модель обработает лишь то, что в нее заложено. Необходимо на уровне практики понимать, что является объектом исследования. Собираются исходные данные, создается описание схемы, аппаратов, прописываются требования к конечному результату.

На этом этапе полезно максимально четко понимать, как ведет себя процесс. Изучение объекта не заканчивается сбором информации на производстве, обрабатываются литературные и патентные данные, привлекаются все ценные источники.

Заблуждение считать, что машины и программы никогда не ошибаются. За результат всегда отвечает человек. Возьмите пример с внешней и внутренней разведкой в США: ЦРУ доверяет людям, АНБ собирает и анализирует информацию через машинные алгоритмы. У тех и других бывают просчеты. Сегодня на бирже торгуют компьютеры. Но сбои в системах высокочастотного трейдинга приводят в потерям сотен миллионов долларов.

После сбора информации начинается сборка самой модели. Есть вектор работ от состояния «было» в состояние «должно быть». Подбирается оптимальные инструменты для моделирования. Максимально точное определение задачи обеспечивает половину успеха.

Основной критерий при построении математической модели — точность. Значит, нужно грамотно распределить ресурсы. Если потери производства заложены в энергетике, акцент будет сделан на описании энергетических и тепловых процессов. Все остальное, ради экономии времени, можно упростить. Суть в том, чтобы модель описывала процесс достаточно подробно и позволяла решить поставленную задачу.

Выбор параметров должен обладать вариативностью. Например, в исследуемом процессе есть теплообменник, в котором часть потока конденсируется и отводится, вторая часть уходит в газ. В реальности это один аппарат. В математической модели возможно представить его единым процессом, однако точнее и эффективней будет прописать два аппарата. Разбить объект на несколько частей, сделать его декомпозицию. На практике подобным образом наиболее часто работают с химическими реакторами: они разбиваются на несколько виртуальных объектов, с которых собирают общие данные и получают полное описание процесса.

Иногда полезней применять формализующий подход — объединение нескольких аппаратов в один. Например, для процесса окисления, когда одновременно протекают сотни реакций, можно упростить систему и выделить только главные моменты, которые необходимы для решения поставленной задачи.

В основу описания модели закладывают фундаментальные физические законы. Полученная модель сама по себе может использоваться для анализа. Но если мы говорим о глубокой работе с процессом, то модель обязательно должна пройти проверку на адекватность.

Проверку осуществляют либо по собранным на первом этапе статистическим данным о работе производства, либо по результатам проведения натурного эксперимента. Выбирается ряд ключевых параметров (температура, давление, конверсия, селективность, соотношение компонентов и т.п.) и сравнивается с аналогичными показателями реального процесса. Если данные совпадают или отличаются не более чем на разрешенное отклонение, значит, модель адекватна. Можно утверждать, что описываемый промышленный процесс и модель в границах исследования – это одно и то же.

На выходе есть адекватная модель, которая полностью описывает эксперимент и соответствует здравому смыслу, законам природы и техники. Теперь начинается самое интересное. Промышленный объект разбирать и модифицировать нет нужды, моделью можно пользоваться, как конструктором. То есть проводить любой анализ состава на любом участке технологической схемы, менять режимы работы аппаратов, оптимизировать процесс. Работа с виртуальным объектом имеет свои преимущества. Даже если он сломается, то сломается виртуально.

Есть и более простой вариант создания модели. Если необходимо провести тонкую настройку объекта в режиме, в котором он уже работал и подобрать оптимальные параметры, можно не создавать точную физическую модель, а собрать статистическую модель. Она позволит выявить на базе исторических данных закономерности между параметрами исследуемого процесса и определить наиболее оптимальные условия его проведения. Такое решение может быть очень полезно, когда на процесс влияет множество параметров и простым перебором их не оптимизировать. Статистика работает только тогда, когда нет потребности вносить что-то новое.

Выполнив условия правильного построения математической модели, получили некий результат, точное описание процессов. Следующий шаг — его апробация. Результаты исследования можно направить в лабораторию, отдел маркетинга или на производство.

Результаты математического моделирования могут использовать заводские технологи. На руках будут конкретные технические данные по новым режимам работы оборудования, рекомендации, где нужно внести дополнительные изменения. Это может быть замена действующего оборудования. Например, в процессе используется теплообменник, и расчеты модели показывают, что при его замене на больший по площади, увеличится степень конденсации и снизится потеря продукта. Или можно перенаправить потоки на холодильник по технологической схеме, чтобы повысить глубину охлаждения. В ходе расчетов выдается новый баланс того процесса, который ожидается увидеть, после чего взвешенно можно принять решение о переходе на новый режим.

Важным результатом моделирования является сокращение вариантов проведения эксперимента, так как все комбинации уже проверены на модели. Это позволяет значительно сокращать время лабораторного исследования и экономить на расходных материалах.

В результате заказчик получает адресные рекомендации, касающиеся процесса в целом, и варианты оптимизации, чтобы сделать его более рентабельным. Выдаются условия, на которые следует ориентироваться для успешной промышленной реализации процесса.

Результаты математического моделирования может использовать отдел маркетинга при оценке реализации новых проектов на стадии ТЭОИ. В конце работы могут быть получены новые данные по таким параметрам, как стоимость производства, стоимость модернизации, новые показатели по операционным затратам, новые удельные затраты по сырью. То есть данные для принятия взвешенных решений об экономической реализации проекта, оценке сроков окупаемости.

Химического производителя интересует конкретный результат – увеличение прибыли за счет оптимизации и модернизации технологического процесса. Его мало интересуют промежуточные итоги, инструменты и навыки исполнителей.

Другое дело, когда бизнесу нужно оценить адекватность стоимости работ. Может сложиться впечатление, что специалист просто загружает данные в программу, которую можно приобрести в открытом доступе, ждет, пока она сама выдаст результат. На самом деле, все гораздо тоньше, сложнее. Конкретный инструмент выбирается на основании имеющихся исходных данных и поставленных задач. Изредка есть возможность решить задачу полностью в одном программном продукте.

Задачи, которые ставятся перед специалистом в области моделирования химико-технологического процесса, разнообразны. Это и простое сведение материального и теплового баланса, где вполне сгодится табличный процессор типа Excel и калькулятор, и решение сетчатых задач, для которых используется сложные программные комплексы.

Специальные пакеты программ для расчетов упрощают работу и позволяют моделировать химико-технологическую систему в целом. Есть узкоспециализированные расчетные модули, например, для расчета теплообменников сложной конструкции или насосов. Есть модули более широкого профиля для работы с химико-технологическими системами в целом: Aspen Plus, Aspen HYSYS, ChemCAD и другие.

Отдельно стоит статистический анализ. По своей природе это математика. Но в зависимости от целей его можно применять к производственным и маркетинговым задачам не хуже специализированных программ. В качестве примера можно привести методологию Lean Six Sigma, полностью базирующуюся на статистической обработке данных, и конкретные ее направления – DMAIC и DFLSS.

Главным инструментом при построении математической модели производства остается человек. Даже если промышленник приобрел достаточно дорогую лицензию на специализированное ПО, посадил разбираться с ней штатного сотрудника, результат не гарантирован. Математическое моделирование химико-технологических процессов – воистину мультидисциплинарная наука, которая работает на стыке физики, химии, технологии, экономики, логистики, планирования.

Специалист по моделированию – это хороший технолог и математик с навыками экономиста. Таких специалистов «под копирку» в университете не выпускают. Есть курсы по обучению конкретной методике или программному продукту. Преподаватели, по факту, учат своих конкурентов, поэтому такое обучение не бывает дешевым. Курсы в среднем стоят от полумиллиона-до нескольких миллионов за пару недель.

Нужны ли такие специалисты на заводах? Однозначно можно сказать — да. Но вот стоимости программных пакетов и длительность обучения высока ‑ только «софт» для работы может стоить до 10 миллионов за годовую лицензию. Такие траты вряд ли целесообразны для решения единичных задач силами одного предприятия — всегда выгоднее заказывать аутсорсинг подобных задач, чем пытаться решить их самостоятельно.

За плечами каждого специалиста ИХТЦ — более десятка проектов в области моделирования и расчетов химических-техно логических процессов и производств. Поэтому все «основано на реальных событиях» и успешном опыте, когда результатом были довольны и мы, и заказчики.

Обращайтесь — поможем!

Если материал оказался для вас полезным - поддержите проект и поделитесь записью!