JP7354477B1 - プログラム、情報処理装置、及び方法 - Google Patents

プログラム、情報処理装置、及び方法 Download PDF

Info

Publication number
JP7354477B1
JP7354477B1 JP2023517661A JP2023517661A JP7354477B1 JP 7354477 B1 JP7354477 B1 JP 7354477B1 JP 2023517661 A JP2023517661 A JP 2023517661A JP 2023517661 A JP2023517661 A JP 2023517661A JP 7354477 B1 JP7354477 B1 JP 7354477B1
Authority
JP
Japan
Prior art keywords
reaction
parameter
model
substance
reaction rate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2023517661A
Other languages
English (en)
Other versions
JPWO2023119711A1 (ja
JPWO2023119711A5 (ja
Inventor
秀紀 佐藤
英司 川井
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chiyoda Corp
Original Assignee
Chiyoda Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chiyoda Corp filed Critical Chiyoda Corp
Publication of JPWO2023119711A1 publication Critical patent/JPWO2023119711A1/ja
Application granted granted Critical
Publication of JP7354477B1 publication Critical patent/JP7354477B1/ja
Publication of JPWO2023119711A5 publication Critical patent/JPWO2023119711A5/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J19/0006—Controlling or regulating processes
    • B01J19/0033—Optimalisation processes, i.e. processes with adaptive control systems
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
    • C10G11/00—Catalytic cracking, in the absence of hydrogen, of hydrocarbon oils
    • C10G11/14—Catalytic cracking, in the absence of hydrogen, of hydrocarbon oils with preheated moving solid catalysts
    • C10G11/18—Catalytic cracking, in the absence of hydrogen, of hydrocarbon oils with preheated moving solid catalysts according to the "fluidised-bed" technique
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
    • C10G11/00—Catalytic cracking, in the absence of hydrogen, of hydrocarbon oils
    • C10G11/14—Catalytic cracking, in the absence of hydrogen, of hydrocarbon oils with preheated moving solid catalysts
    • C10G11/18—Catalytic cracking, in the absence of hydrogen, of hydrocarbon oils with preheated moving solid catalysts according to the "fluidised-bed" technique
    • C10G11/187—Controlling or regulating
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
    • C10G47/00—Cracking of hydrocarbon oils, in the presence of hydrogen or hydrogen- generating compounds, to obtain lower boiling fractions
    • C10G47/36—Controlling or regulating
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
    • C10G9/00—Thermal non-catalytic cracking, in the absence of hydrogen, of hydrocarbon oils
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
    • C10G99/00—Subject matter not provided for in other groups of this subclass

Landscapes

  • Chemical & Material Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Engineering & Computer Science (AREA)
  • Organic Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Thermal Sciences (AREA)
  • Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

プロセッサを備えた情報処理装置であって、所定の化学反応を行う反応装置に関する運転パラメータと、前記反応装置で前記化学反応に用いる物質に関する情報と、を取得するステップと、前記反応装置において、前記運転パラメータで前記化学反応を行った場合の前記物質の反応状態を予測した第１の反応状態のパラメータを求めるステップと、前記物質に関する情報と、前記運転パラメータとを入力することに応じて、前記物質の反応状態である第２の反応状態のパラメータを出力する予測モデルを、取得した前記物質に関する情報と、取得した前記運転パラメータと、前記第１の反応状態のパラメータとを学習データとして学習するステップと、学習した前記予測モデルを記憶部に格納するステップと、を実行する情報処理装置。

Description

本開示は、情報処理装置、方法、及び、プログラムに関する。
線形計画法における目的関数の最適値を与える装置の運転条件を簡単に予測する石油コンビナートの運転条件の予測方法を提供するために、運転条件と、製品収率との関係をシミュレーションする技術がある。
特開２００２－３２９１８７号公報
従来の技術では、反応速度に関するパラメータなどの指標値等の重質油の反応状態については、シミュレーションにより決定しており、より正確な反応状態を予測することができない、という問題があった。
重質油だけでなく、化学品（例えば、工業薬品・化学肥料・紙・パルプ・ゴム・合成繊維・合成樹脂・石油製品・医薬品・染料・洗剤・化粧品・バイオ製品）等の製品を製造する過程における様々な化学反応における反応状態についても、実験データや実際に運転中の反応装置を観測により決定しており、より正確な反応状態を予測することができない、という問題があった。
本開示の目的は、精度良く反応状態を予測し、反応制御を行うことができる技術を提供することである。
本開示に係る情報処理装置は、プロセッサを備える情報処理装置であって、重質油分解の対象となる重質油の油性状と、重質油分解を行う重質油分解装置に関する運転パラメータと、前記運転パラメータにより前記重質油分解装置において前記重質油を重質油分解したときの反応状態を示す値とを、学習データとして入力を受け付けるステップと、前記重質油の油性状と前記運転パラメータを入力することに応答して前記重質油分解の反応状態を出力する第１モデルを、前記学習データを用いて学習するステップと、学習した前記第１モデルを記憶部に格納するステップと、を実行する。
本開示に係るプログラムによれば、精度良く重質油分解の反応状態を予測することができる。
情報処理システム１の構成を示すブロック図である。 情報処理装置１０の構成を示すブロック図である。 重質油分解装置２０の構成例を示す図である。 情報処理装置１０の機能構成を示すブロック図である。 情報処理装置１０による学習処理を行う流れの一例を示すフローチャートである。 情報処理装置１０による予測処理を行う流れの一例を示すフローチャートである。 情報処理装置１０による再学習処理を行う流れの一例を示すフローチャートである。 情報処理装置１０による製品収率算出処理を行う流れの一例を示すフローチャートである。 情報処理装置１０による最適化処理を行う流れの一例を示すフローチャートである。 重質油分解装置２０の構成例を示す図である。 重質油分解装置２０の構成例を示す図である。 情報処理システム２の構成を示すブロック図である。 情報処理装置５０の機能構成を示すブロック図である。 第１ＤＢ５２１のデータ構造の一例を示す図である。 第２ＤＢ５２２のデータ構造の一例を示す図である。 第３ＤＢ５２３のデータ構造の一例を示す図である。 定量化した反応律速の相関の例を示す図である。 情報処理装置５０による学習処理を行う流れの一例を示すフローチャートである。 ステップＳ５０２の算出処理を行う流れの一例を示すフローチャートである。 情報処理装置５０による予測処理を行う流れの一例を示すフローチャートである。
以下、図面を参照しつつ、本開示の実施形態について説明する。以下の説明では、同一の部品には同一の符号を付してある。それらの名称及び機能も同じである。従って、それらについての詳細な説明は繰り返さない。
＜本開示の概要＞
本開示の技術は、重質油分解、化学品（例えば、工業薬品・化学肥料・紙・パルプ・ゴム・合成繊維・合成樹脂・石油製品・医薬品・染料・洗剤・化粧品・バイオ製品）などの化学反応における反応状態を予測する技術に関する。
＜第１実施形態＞
第１実施形態は、重質油の重質油分解を行う重質油分解装置の運転パラメータと、重質油の油性状とから、重質油を重質油分解したときの反応状態を示す値を予測する技術について説明する。
本開示において、重質油は、原油を蒸留した際に、常圧蒸留塔の塔底又は減圧蒸留塔の塔底より抜き出される油、又はこれに相当する原油である。本開示では、重質油が、常圧蒸留塔の塔底より抜き出される油を例に説明する。重質油の分解反応は様々な運転パラメータの影響を受ける複雑な反応であるため、実運転においてリアルタイムに反応状態を定量化し制御、最適化することは困難であった。反応状態は、シミュレーションを行うだけでは、実際に運転中の重質油分解装置で時々刻々と変化するため、精度よく予測することが困難であった。
本開示の技術は、重質油の反応状態を示す値と、運転パラメータ及び重質油の油性状との関係を学習したモデルを用意する。重質油の反応状態は、例えば、重質油の油性分の反応速度に関するパラメータや、平衡触媒活性を示す指標値などである。平衡触媒活性を示す指標値は、例えば、分析によって得られている平衡触媒の活性の値や触媒に堆積している金属成分量などである。
情報処理システム１は、このモデルにより、重質油の反応状態を示す値をリアルタイムに予測し、定量化する。情報処理システム１は、この反応状態を示す値と、運転パラメータとを、予め用意した製品収率などを予測する物理モデルの入力とすることで、反応を制御可能とする。このように、重質油の分解反応を最適化し、製品収率の向上及び触媒投入量の削減のようなＯＰＥＸの削減に寄与することで、製油所の収益向上に貢献することも可能とする。
＜１．情報処理システム１の構成＞
図１を用いて、本開示に係る情報処理システム１について説明する。本開示に係る情報処理システム１は、情報処理装置１０と、重質油分解装置２０と、ユーザ端末３０と、ネットワーク４０とを含んで構成される。
図２は、情報処理装置１０の構成を示す図である。情報処理装置１０は、例えば、ラップトップパソコン又はラックマウント型若しくはタワー型等のコンピュータ、スマートフォン等である。また、情報処理装置１０は、複数の情報処理装置により、１つのシステムとして構成される、冗長化構成される等されてもよい。情報処理装置１０を実現することに要する複数の機能の配分の仕方は、各ハードウェアの処理能力、情報処理装置１０に求められる仕様等に鑑みて適宜決定することができる。
情報処理装置１０は、プロセッサ１１と、メモリ１２と、ストレージ１３と、通信ＩＦ１４と、入出力ＩＦ１５とを含んで構成される。
プロセッサ１１は、プログラムに記述された命令セットを実行するためのハードウェアであり、演算装置、レジスタ、周辺回路などにより構成される。
メモリ１２は、プログラム、及び、プログラム等で処理されるデータ等を一時的に記憶するためのものであり、例えばＤＲＡＭ（DynamicRandomAccessMemory）等の揮発性のメモリである。
ストレージ１３は、データを保存するための記憶装置であり、例えばフラッシュメモリ、ＨＤＤ（HardDiscDrive）、ＳＳＤ（SolidStateDrive）である。
通信ＩＦ１４は、情報処理装置１０が外部の装置と通信するため、信号を入出力するためのインタフェースである。通信ＩＦ１４は、ＬＡＮ、インターネット、広域イーサネット等のネットワーク４０に有線又は無線により接続する。
入出力ＩＦ１５は、入力操作を受け付けるための入力装置（例えば、マウス等のポインティングデバイス、キーボード）、及び、情報を提示するための出力装置（ディスプレイ、スピーカ等）とのインタフェースとして機能する。
重質油分解装置２０は、重質油を所定の分解反応により軽質化された分解油に分解する装置である。分解油は、例えば、軽質ガス(ＬＰＧを含む)、ガソリン、中間留分などである。重質油分解装置２０は、例えば、流動接触分解（Ｆｌｕｉｄ Ｃａｔａｌｙｔｉｃ Ｃｒａｃｋｉｎｇ：ＦＣＣ）、熱分解、水素化分解などにより、重質油を分解する。以下では、ＦＣＣを重質油分解装置２０として説明する。
重質油分解装置２０は、リアクター２１及びリジェネレーター２２を制御する機能、情報処理装置１０と所定の情報を通信により送受信することができる機能を有する。
図３は、重質油分解装置２０の構成例を示す図である。図３の例は、重質油分解装置２０が、ＦＣＣにより重質油を分解する場合である。図３に示すように、重質油分解装置２０は、リアクター２１と、リジェネレーター２２とを含む。
リアクター２１は、原料となる重質油を触媒に接触させることで、分解反応を生じさせ、分解生成物を得る装置である。具体的には、リアクター２１は、重質油と、水蒸気と、触媒とが投入されると、当該重質油を触媒に接触させる。次に、リアクター２１は、重質油が触媒に接触されたことによる分解反応により、重質油を重質油分解した分解油を得る。また、リアクター２１は、得られた分解油に水蒸気を導入して、触媒に付着した分解油を取り去る。そして、リアクター２１は、分解油を出力する。また、リアクター２１は、使用した触媒を、リジェネレーター２２に渡す。
リジェネレーター２２は、リアクター２１において使用された触媒を再生する。触媒が重質油の分解反応に使用されると、触媒の表面には、コーク（炭素）が付着することにより、触媒が劣化する。リジェネレーター２２は、触媒の表面に付着したコークを高温下で燃焼させることにより再生し、再生した触媒を、リアクター２１内での活性を一定にするように、リアクター２１に供給する。また、リジェネレーター２２は、燃焼により生じた排ガスを排出する。
ユーザ端末３０は、ユーザにより操作される端末である。ここで、ユーザは、例えば、重質油分解装置２０を操作、管理などする者である。ユーザ端末３０は、例えば、スマートフォン、パソコン等である。
情報処理装置１０、重質油分解装置２０、ユーザ端末３０は、ネットワーク４０を介して相互に通信可能に構成される。
＜２．情報処理装置１０の機能構成＞
図４は、情報処理装置１０の機能構成を示すブロック図である。図２に示すように、情報処理装置１０は、通信部１１０と、記憶部１２０と、制御部１３０とを含む。
通信部１１０は、情報処理装置１０が外部の装置と通信するための処理を行う。
記憶部１２０は、情報処理装置１０が使用するデータ及びプログラムを記憶する。記憶部１２０は、学習データＤＢ１２１、モデルＤＢ１２２等を記憶する。
学習データＤＢ１２１は、学習処理を行う際に用いる学習データを保持するデータベースである。
学習データは、重質油分解の対象となる重質油の油性状と、重質油分解を行う重質油分解装置２０に関する運転パラメータと、当該運転パラメータにより当該重質油分解装置２０において当該重質油を重質油分解したときの反応状態を示す値の実データの組である。
重質油の油性状は、重質油の密度、金属濃度、窒素濃度などの重質油の油性状に関する情報である。運転パラメータは、例えば、重質油分解装置２０への重質油流量、触媒量、水蒸気流入量、リアクター２１内の圧力、内部温度、触媒の温度、触媒と重質油の比率などのパラメータ、リジェネレーター２２内の圧力、内部温度、触媒の温度などのパラメータである。
学習データは、例えば、反応状態を示す値が、重質油分解における重質油の反応速度に関するパラメータである場合、運転パラメータとして、上記運転パラメータのうち重質油の分解反応に関する第１のパラメータを採用する。
例えば、反応速度に関するパラメータは、反応速度定数、頻度因子、活性化エネルギーなどである。アレニウス式の反応速度定数は、例えば、下記式で表される。下記式において、ｋは反応速度定数であり、Ｒはガス定数であり，Ｔは絶対温度であり、Ｅは活性化エネルギーであり、Ａは頻度因子である。
Figure 0007354477000001
 以下では、反応速度に関するパラメータが、反応速度定数を例に説明する。
また、学習データは、例えば、反応状態を示す値が、平衡触媒活性を示す指標値である場合、運転パラメータとして、上記運転パラメータのうち平衡触媒活性に関する第２のパラメータを採用する。
モデルＤＢ１２２は、各種モデル及びモデルのパラメータを保持するデータベースである。
モデルＤＢ１２２は、重質油反応状態予測モデル（以下、第１モデル）を保持する。第１モデルは、重質油の油性状と運転パラメータを入力することに応答して、重質油分解の反応状態を出力するモデルである。
具体的には、第１モデルは、反応速度定数予測モデル（以下、第２モデル）である。第２モデルは、重質油の油性状と、第１のパラメータとを入力することに応答して、反応速度定数を出力するモデルである。
また、第１モデルは、平衡触媒活性予測モデル（以下、第３モデル）であってもよい。第３モデルは、重質油の油性状と、第２のパラメータとを入力することに応答して、平衡触媒活性を示す指標値を出力するモデルである。
第１モデル～第３モデルの各々は、機械学習モデル、ニューラルネットワークなど、任意のモデルを採用することができる。第１モデル～第３モデルは、例えば、線形回帰モデルを用いて、重質油の油性状と、運転パラメータと、重質油分解の反応状態との関係を表してもよい。また、モデルＤＢ１２２は、第２モデルと第３モデルの両方を保持してもよい。本開示では、モデルＤＢ１２２が、第２モデルと第３モデルの両方を保持する場合を例に説明する。
また、モデルＤＢ１２２は、前述した以外のモデルを保持する。例えば、モデルＤＢ１２２は、重質油の油性状と、第１のパラメータと、第２モデルにより求めた重質油分解の反応速度定数と、第２のパラメータと、第３モデルにより求めた平衡触媒活性を示す指標値とを入力することにより、製品収率又は製品収率に寄与する指標値を出力する物理モデルを保持する。
制御部１３０は、情報処理装置１０のプロセッサ１１がプログラムに従って処理を行うことにより、受信制御部１３１、送信制御部１３２、入力部１３３、学習部１３４、取得部１３５、予測部１３６、決定部１３７、算出部１３８、最適化部１３９、出力部１４０などに示す機能を発揮する。
受信制御部１３１は、情報処理装置１０が外部の装置から通信プロトコルに従って信号を受信する処理を制御する。
送信制御部１３２は、情報処理装置１０が外部の装置に対し通信プロトコルに従って信号を送信する処理を制御する。
入力部１３３は、重質油分解の対象となる重質油の油性状と、重質油分解を行う重質油分解装置２０に関する運転パラメータと、当該運転パラメータにより重質油分解装置２０において当該重質油を重質油分解したときの反応状態を示す値とを、学習データとして入力を受け付ける。
具体的には、入力部１３３は、学習データＤＢ１２１から、学習データを取得する。
学習部１３４は、第２モデル及び第３モデルを、取得した学習データを用いて学習する。
具体的には、学習部１３４は、学習データのうち、重質油の油性状、第１パラメータ、及び反応速度定数を用いて、第２モデルを学習する。学習部１３４は、例えば、第２モデルが線形回帰モデルであれば、反応速度定数を目的変数、重質油の油性状、及び第１のパラメータを説明変数として、第２モデルを学習する。
無数の連続沸点成分を持つ重質油の分解反応においては、その原料油成分の数のみではなく、複数の運転パラメータが相互に作用することから反応制御の難易度が高い。実運転においては原料油性状が頻繁に変化するため、分解反応の最適化はできていなかった。このため、製品収率の低下など収益悪化に繋がっていた。特にＦＣＣや水素化分解のような触媒を有する分解反応においては触媒劣化を加味する必要があり、反応制御が的確にできておらず新触媒の過剰投入などＯＰＥＸの増大に繋がっていた。
上記の第２モデルを学習することにより、原料油性状の変化に伴い変化する反応速度定数と運転パラメータの相関を学習することができる。よって、学習した第２モデルを用いることで、実運転における反応速度定数を精度よく予測することができる。
ここで、第２モデルは、重質油の油性分の各々について、第１のパラメータと、当該第１のパラメータで重質油分解を行った場合の分解反応の反応速度定数と相関関係を学習する。例えば、学習部１３４は、第２モデルが、重質油の油性分であるＶＲ(vacuum residue)相当の油、ＶＧＯ（vacuum gas oil）相当の油等の各々について、重質油分解により、他の油性分と反応して、ガソリン、コーク、排ガス等の各々に変わる反応速度定数を出力するように、反応速度定数と運転パラメータとの相関関係を学習する。
学習部１３４が、このように第２モデルを学習することにより、無数の連続沸点成分を持つ重質油の分解反応における、その原料油成分の数のみではなく、複数の運転パラメータが相互に作用する相関関係を学習することができる。このように学習された第２モデルは、精度よく、反応速度定数を予測することができる。
そして、学習部１３４は、学習した第２モデルを、モデルＤＢ１２２に格納する。
また、学習部１３４は、学習データのうち、重質油の油性状、第２パラメータ、及び平衡触媒活性を示す指標値を用いて、第３モデルを学習する。学習部１３４は、例えば、第３モデルが線形回帰モデルであれば、平衡触媒活性を示す指標値を目的変数、重質油の油性状、及び第２のパラメータを説明変数として、第３モデルを学習する。
上記の例のように、重質油分解装置２０のリアクター２１及びリジェネレーター２２内では触媒が循環している。リアクター２１で生じた触媒劣化は、リジェネレーター２２においてある程度回復することが可能であるが、リジェネレーター２２においても完全な触媒の劣化回復はできないため、触媒の活性を一定に保つため、リジェネレーター２２での回復に加え、新触媒を供給する必要がある。しかし、新触媒の投入量は、これまでの経験則に基づき決定されている。実運転において、触媒劣化速度は、処理する重質油の変更などにより異なる。このため、目的の触媒活性に調節することが困難となっていた。
上記の第３モデルを学習することにより、実運転における重質油の油性状及び第２のパラメータと平衡触媒活性を示す指標値との相関を学習することができる。よって、学習した第３モデルを用いることで、実運転における平衡触媒活性を示す指標値を精度よく予測することができる。これにより、本開示の技術は、平衡触媒活性の静定、新触媒投入量の最適化、平衡触媒分析コスト及び手間の削減という効果を奏する。特に、学習した第３モデルを用いることにより、分析にかかる時間を考慮する必要がないため、実運転における重質油の油性状及び第２のパラメータがあれば、リアルタイムに平衡触媒活性を得ることができる。
そして、学習部１３４は、学習した第３モデルを、モデルＤＢ１２２に格納する。
また、学習部１３４は、第１モデルを、学習データと、重質油分解を実行中の重質油分解装置２０に関する運転パラメータである第３のパラメータと、予測された反応状態を示す値とを用いて再学習することができる。学習部１３４は、例えば、分析結果を取得したタイミングなどにより、再学習を行う。
具体的には、学習部１３４は、学習データと、後述の取得した実際に稼働中の重質油分解装置２０に関する運転パラメータである第３のパラメータと、後述の分析によって得られた反応状態を示す値を取得し、各モデルを再学習する。例えば、学習部１３４は、学習データと、第３のパラメータのうちの第１のパラメータと、分析された反応速度定数とから、第２モデルを再学習する。また、例えば、学習部１３４は、学習データと、第３のパラメータのうちの第２のパラメータと、分析された平衡触媒活性を示す指標値とから、第３モデルを再学習する。
このように、学習部１３４は、分析結果を取得したタイミングなどにおいて第２モデル及び第３モデルを再学習することで、リアルタイムに、より精度よく反応速度定数や平衡触媒活性を示す指標値を求めることができる。例えば、所定の平衡触媒活性を得るためには、新触媒の投入量を調整する必要がある。精度よく新触媒の投入量を決定するためには、平衡触媒活性の分析結果が必要である。この平衡触媒活性の分析結果は、分析のために触媒を取り出してから時間を要する。このため、分析結果は、予測に用いるシミュレーションに反映させることにも時間がかかっていた。しかし、学習部１３４は、分析結果を取得したタイミングで第２モデル及び第３モデルを再学習することができるため、リアルタイムに、より精度よく反応速度や平衡触媒活性を示す指標値を求めることができ、例えば触媒変更等の影響に対しても迅速に予測精度を追従することができる。
取得部１３５は、重質油分解を実行中の重質油分解装置に関する運転パラメータである第３のパラメータと、重質油の油性状と、学習済みの第２モデル及び第３モデルとを取得する。
具体的には、取得部１３５は、重質油分解装置２０から第３のパラメータと、重質油分解装置に投入する重質油の油性状とを取得する。なお、取得部１３５は、第３のパラメータ及び重質油の油性状を、ユーザ端末３０から受信することにより取得してもよい。また、取得部１３５は、モデルＤＢ１２２から、学習済みの第２モデル及び第３モデルを取得する。
また、取得部１３５は、反応状態の分析結果を取得する。具体的には、取得部１３５は、実際の運転パラメータ、分解生成物、触媒などに基づいて、反応状態を分析した結果を取得する。
予測部１３６は、重質油の油性状と、第３のパラメータとを、第１モデルに入力することにより、反応状態を示す値を予測する。
具体的には、予測部１３６は、重質油の油性状と、第３のパラメータのうち第１のパラメータとを、第２モデルに入力することにより、反応速度定数を予測する。
また、予測部１３６は、重質油の油性状と、第３のパラメータのうち第２のパラメータとを、第３モデルに入力することにより、平衡触媒活性を示す指標値を予測する。
決定部１３７は、平衡触媒活性を示す指標値に基づいて、重質油分解装置２０に投入する最適な新触媒の量を決定する。
具体的には、決定部１３７は、平衡触媒活性を示す指標値に基づいて、平衡触媒活性を所定の値にするために投入すべき触媒の量を算出する。そして、決定部１３７は、算出した量を、最適な新触媒の量として決定する。
算出部１３８は、重質油の油性状と、第３のパラメータと、反応状態を示す値とを用いて、製品収率又は製品収率に寄与する指標値を求める。
具体的には、算出部１３８は、まず、反応モデルをモデルＤＢ１２２から取得する。次に、算出部１３８は、重質油の油性状と、第３のパラメータの第１のパラメータと、求めた重質油分解の反応速度定数と、第３のパラメータの第２のパラメータと、求めた平衡触媒活性を示す指標値と、反応モデルとを用いて、製品収率又は製品収率に寄与する指標値を求める。製品収率は、例えば、重質油分解装置２０により得られる分解油の収率である。また、製品収率に寄与する指標値は、製品収率を求めるために必要な運転パラメータなどである。当該指標値は、例えば、反応温度、反応時間、触媒濃度などである。
最適化部１３９は、求めた製品収率又は製品収率に寄与する指標値と、重質油の油性状と、運転パラメータと、反応状態を示す値とを用いて、最適な製品収率を実現する運転パラメータを求める。
具体的には、最適化部１３９は、まず、製品収率又は製品収率に寄与する指標値と、重質油の油性状と、第３のパラメータの第１のパラメータ及び反応速度定数と、第３のパラメータの第２のパラメータ及び平衡触媒活性を示す指標値とを用いて、最適な製品収率を求める。例えば、最適化部１３９は、重質油の油性状と、第３のパラメータと、求めた反応速度と、求めた平衡触媒活性とを、最適な製品収率を探索するためのモデルに入力することにより、最適となる製品収率を探索する。
次に、最適化部１３９は、重質油の油性状と、第３のパラメータの第１のパラメータ及び反応速度と、第３のパラメータの第２のパラメータ及び平衡触媒活性を示す指標値と、求めた最適となる製品収率とを用いて、最適な運転パラメータを求める。なお、最適化部１３９は、学習済みの第２モデル及び第３モデルも用いて最適な運転パラメータを求める構成としてもよい。
出力部１４０は、予測した反応速度定数及び平衡触媒活性を示す指標値を、出力装置などに出力する。予測した反応速度定数及び平衡触媒活性を示す指標値は、出力部１４０により、通信を介して外部装置に出力、表示される構成としても良い。
また、出力部１４０は、決定した新触媒の量を出力する。これに応じてユーザがユーザ端末３０などから図示しない触媒投入装置などに、触媒投入の指示を出すことで、重質油分解装置２０に新触媒が投入されることになる。
また、出力部１４０は、求めた製品収率又は製品収率に寄与する指標値を出力する。
また、出力部１４０は、求めた最適な運転パラメータを出力する。
＜３．動作＞
以下では、情報処理装置１０における処理について図面を参照しながら説明する。
＜３．１．学習処理＞
図５は、情報処理装置１０による学習処理を行う流れの一例を示すフローチャートである。情報処理装置１０は、当該処理を、任意のタイミング（例えば、学習処理開始信号の受信など）において実行する。
ステップＳ１０１において、入力部１３３は、重質油分解の対象となる重質油の油性状と、重質油分解を行う重質油分解装置２０に関する運転パラメータと、当該運転パラメータにより重質油分解装置２０において当該重質油を重質油分解したときの反応状態を示す値とを、学習データとして入力を受け付ける。
ステップＳ１０２において、学習部１３４は、第２モデル及び第３モデルを、取得した学習データを用いて学習する。
ステップＳ１０３において、学習部１３４は、学習した第２モデル及び第３モデルを、モデルＤＢ１２２に格納し、処理を終了する。
＜３．２．予測処理＞
図６は、情報処理装置１０による予測処理を行う流れの一例を示すフローチャートである。情報処理装置１０は、当該処理を、重質油の油性状と、運転パラメータとが入力されること等により実行する。
ステップＳ２０１において、取得部１３５は、重質油分解を実行中の重質油分解装置２０に関する運転パラメータである第３のパラメータと、重質油の油性状と、学習済みの第２モデル及び第３モデルとを取得する。
ステップＳ２０２において、予測部１３６は、重質油の油性状と、第３のパラメータのうち第１のパラメータとを、第２モデルに入力することにより、反応速度定数を予測する。
ステップＳ２０３において、予測部１３６は、重質油の油性状と、第３のパラメータのうち第２のパラメータとを、第３モデルに入力することにより、平衡触媒活性を示す指標値を予測する。
ステップＳ２０４において、出力部１４０は、予測した反応速度定数及び平衡触媒活性を示す指標値を、出力装置などに出力する。
情報処理装置１０は、予測処理を任意のタイミングで実行することができるため、運転中の重質油分解装置２０についてリアルタイムに反応状態を示す値を予測することができる。
＜３．３．再学習処理＞
図７は、情報処理装置１０による再学習処理を行う流れの一例を示すフローチャートである。情報処理装置１０は、当該処理を、任意のタイミング（例えば、反応状態の分析結果の取得、再学習処理開始信号の受信など）において実行する。
ステップＳ２１１において、取得部１３５は、重質油分解を実行中の重質油分解装置２０に関する運転パラメータである第３のパラメータと、重質油の油性状と、分析によって得られた反応状態と、学習済みの第２モデル及び第３モデルとを取得する。
ステップＳ２１２において、学習部１３４は、第２モデルを、学習データと、重質油分解を実行中の重質油分解装置２０に関する運転パラメータである第３のパラメータと、分析された反応速度定数とを用いて再学習する。
ステップＳ２１３において、学習部１３４は、第３モデルを、学習データと、重質油分解を実行中の重質油分解装置２０に関する運転パラメータである第３のパラメータと、分析された平衡触媒活性を示す指標値とを用いて再学習する。
ステップＳ２１４において、学習部１３４は、再学習した第２モデル及び第３モデルをモデルＤＢ１２２に格納し、処理を終了する。
情報処理装置１０は、予測処理を任意のタイミングで実行することができるため、運転中の重質油分解装置２０についてリアルタイムに反応状態を示す値を予測することができる。
＜３．４．製品収率算出処理＞
図８は、情報処理装置１０による製品収率算出処理を行う流れの一例を示すフローチャートである。情報処理装置１０は、当該処理を、重質油の油性状と、運転パラメータとが入力されること等により実行する。なお、予測処理と共通する処理については同一の符号を付して説明を省略する。
Ｓ３０４において、算出部１３８は、重質油の油性状と、第３のパラメータと、反応状態を示す値とを用いて、製品収率又は製品収率に寄与する指標値を求める。
Ｓ３０５において、出力部１４０は、求めた製品収率又は製品収率に寄与する指標値を出力し、処理を終了する。
＜３．５．最適化処理＞
図９は、情報処理装置１０による最適化算出処理を行う流れの一例を示すフローチャートである。情報処理装置１０は、当該処理を、任意のタイミングにおいて実行する。なお、予測処理及び製品収率算出処理と共通する処理については同一の符号を付して説明を省略する。
Ｓ４０１において、最適化部１３９は、製品収率又は製品収率に寄与する指標値と、重質油の油性状と、第３のパラメータの第１のパラメータ及び反応速度と、第３のパラメータの第２のパラメータ及び平衡触媒活性を示す指標値とを用いて、最適な製品収率を求める。
Ｓ４０５において、最適化部１３９は、求めた製品収率又は製品収率に寄与する指標値と、重質油の油性状と、運転パラメータと、反応状態を示す値とを用いて、求めた最適となる製品収率を実現する運転パラメータを求める。
Ｓ４０６において、出力部１４０は、求めた最適な運転パラメータを出力し、処理を終了する。
以上説明したように、本開示によれば、重質油分解の対象となる重質油の油性状と、重質油分解を行う重質油分解装置に関する運転パラメータと、運転パラメータにより重質油分解装置において重質油を重質油分解したときの反応状態を示す値とを、学習データとして入力を受け付け、当該重質油の油性状と当該運転パラメータを入力することに応答して重質油分解の反応状態を出力する第１モデルを、学習データを用いて学習し、学習した第１モデルを記憶部に格納することにより、精度良く重質油分解の反応状態を予測するための第１モデルを得ることができる。
また、本開示によれば、重質油分解を実行中の重質油分解装置に関する運転パラメータである第３のパラメータと、重質油の油性状と、学習済みの第１モデルとを取得し、重質油の油性状と、第３のパラメータとを、第１モデルに入力することにより、反応状態を示す値を予測し、反応状態を示す値を出力することにより、精度良く重質油分解の反応状態を予測することができる。
また、本開示によれば、重質油分解の対象となる重質油の油性状と、重質油分解を行う重質油分解装置に関する運転パラメータを入力することに応答して当該運転パラメータにより重質油分解装置において重質油を重質油分解したときの反応状態を示す値を出力する第１モデルを取得し、重質油の油性状と、運転パラメータとの入力を受け付け、重質油の油性状と、運転パラメータと、第１モデルとを用いて、反応状態を示す値を求め、重質油の油性状と、運転パラメータと、反応状態を示す値とを用いて、製品収率又は製品収率に寄与する指標値を求めることにより、製品収率の向上を図り、製油所の収益向上に貢献することができる。
また、本開示によれば、求めた製品収率又は製品収率に寄与する指標値と、重質油の油性状と、運転パラメータと、反応状態を示す値とを用いて、最適な製品収率を実現する運転パラメータを求めることにより、製品収率を向上させることができる。
＜第２実施形態＞
第２実施形態は、化学品（例えば、工業薬品・化学肥料・紙・パルプ・ゴム・合成繊維・合成樹脂・石油製品・医薬品・染料・洗剤・化粧品・バイオ製品）等（以下、単に化学品等という）の製品を製造する過程における様々な化学反応における反応状態を予測する技術に関する。第２実施形態に係る技術は、所定の化学反応を行う反応装置に関する運転パラメータと、当該反応装置で化学反応に用いる化学物質に関する情報とから、当該反応装置において化学反応を行ったときの反応状態を示す値を予測する技術について説明する。
従来の化学品等の化学反応をモデル化した反応モデルは、物質移動のような定量化しにくい項目を含む。これらの値は、既存の論文を参照することにより、または実験により決定する。このため、反応モデルの作成に多大な時間を要し、更に、反応モデルのような物理モデルでは、人間が考慮できるパラメータの数は限られる。
このため、反応モデルでは考慮していないパラメータの変動によって、予測精度の低下に繋がってしまう、という問題があった。
本開示の技術は、化学品等の反応状態のパラメータと、運転パラメータ及び化学物質に関する情報との関係を学習したモデルを用意する。反応状態のパラメータは、例えば、化学物質の反応速度に関するパラメータや、触媒活性を示す指標値などである。これにより、本開示の技術は、精度良く化学品などの製造に係る反応状態を予測することができる。
また、本開示の技術は、過去の化学反応の結果、実験結果などを用いて、運転パラメータ及び化学物質に応じた見かけの反応状態のパラメータを算出する。本開示の技術は、この見かけの反応状態のパラメータを用いて、当該モデルを学習する。これにより、定量化の難しい各運転パラメータの影響をデータドリブンに精度よく定量化することができ、反応モデルの構築の高速化及び精度向上に寄与することができる。
＜４．情報処理システム２の構成＞
図１２を用いて、本開示に係る情報処理システム２について説明する。本開示に係る情報処理システム２は、情報処理装置５０と、反応装置６０と、ユーザ端末３０と、ネットワーク４０とを含んで構成される。
＜５．情報処理装置５０の機能構成＞
図１３は、情報処理装置５０の機能構成を示すブロック図である。図１３に示すように、情報処理装置５０は、通信部１１０と、記憶部５２０と、制御部５３０とを含む。
記憶部５２０は、情報処理装置５０が使用するデータ及びプログラムを記憶する。記憶部５２０は、第１ＤＢ５２１、第２ＤＢ５２２、第３ＤＢ５２３等を記憶する。
第１ＤＢ５２１は、予測モデルの学習／構築処理を行う際に用いる学習データを保持するデータベースである。学習データは、過去に当該化学反応を行ったデータである。具体的には、学習データは、化学反応の対象となる物質に関する情報、所定の化学反応を行う反応装置６０に関する運転パラメータ、当該運転パラメータにより反応装置６０において当該物質を化学反応させたときの反応状態のパラメータ等からなる実データの組である。
図１４は、第１ＤＢ５２１のデータ構造の一例を示す図である。図１４に示すように、第１ＤＢ５２１のレコードのそれぞれは、項目「ＩＤ」、項目「物質」、項目「分量」、項目「運転パラメータ」、項目「触媒活性」などを含む。なお、ここに示す項目はすべてではなく、ここに示す項目がなくても、また、他の項目があっても構わない。
項目「ＩＤ」は、各レコードを識別するための情報を記憶する。
項目「物質」は、化学反応に用いた物質名を記憶する。
項目「物質に関する情報」は、化学反応に用いた物質に関する情報を記憶する。物質に関する情報は、例えば、物質の物性、使用した量、重さ等である。なお、物質が複数ある場合、当該項目は、物質同士の分量の割合も含んで記憶しても良い。
項目「運転パラメータ」は、反応装置の運転パラメータを記憶する。運転パラメータは、例えば、反応装置６０の反応炉のサイズ、反応装置６０への物質の流量、触媒量、圧力、内部温度、触媒の温度、触媒と物質との比率などのパラメータである。
項目「触媒活性」は、当該運転パラメータにより反応装置６０において使用された触媒活性に関するデータである。触媒活性に関するデータは、使用した触媒、触媒の流入量、触媒活性を示す指標値などである。
第２ＤＢ５２２は、物質の反応状態である反応状態のパラメータを記憶する。
図１５は、第２ＤＢ５２２のデータ構造の一例を示す図である。図１５に示すように、第２ＤＢ５２２のレコードのそれぞれは、項目「ＩＤ」、項目「第１の反応状態のパラメータ」、項目「第３の反応状態のパラメータ」などを含む。なお、ここに示す項目はすべてではなく、他の項目があっても構わない。
項目「ＩＤ」は、各レコードを識別するための情報を記憶する。この「ＩＤ」は、第１ＤＢ５２１の「ＩＤ」と紐づいている。
項目「第１の反応状態のパラメータ」は、対応するＩＤにおける運転パラメータにより反応装置６０において当該物質を化学反応させたときの反応状態のパラメータを記憶する。第１の反応状態のパラメータは、例えば、反応速度、反応速度定数、頻度因子、活性化エネルギー、触媒活性などである。などである。第１の反応状態のパラメータは、例えば、反応モデルにより算出された第１の反応状態のパラメータである。
項目「第３の反応状態のパラメータ」は、物質の反応状態である第３の反応状態のパラメータを記憶する。第３の反応状態のパラメータは、例えば、反応速度、反応速度定数、頻度因子、活性化エネルギー、触媒活性などである。第３の反応状態のパラメータは、修正モデルにより算出された第３の反応状態のパラメータである。
第３ＤＢ５２３は、各種モデル及びモデルのパラメータを保持するデータベースである。
具体的には、第３ＤＢ５２３は、予測モデル、反応モデル、修正モデル、物理モデル等の本開示の技術で用いるモデルと、それらのパラメータとを保持する。
予測モデルは、物質に関する情報と、運転パラメータとを入力することに応じて、物質の反応状態である反応状態のパラメータを出力するモデルである。反応状態のパラメータは、例えば、反応装置６０において所定の化学反応が行われた際の物質の反応速度定数である。予測モデルは、機械学習モデル、ニューラルネットワークなど、任意のモデルを採用することができる。予測モデルは、例えば、線形回帰モデルを用いて、物質に関する情報と、運転パラメータと、所定の化学反応の反応状態との関係を表してもよい。
反応モデルは、反応状態のパラメータを求める物理モデルである。反応モデルは、例えば、所定の反応速度論モデルである。
修正モデルは、反応モデルを修正したモデルである。修正モデルについては、後述する。
収率モデルは、物質に関する情報と、運転パラメータと、反応速度定数とを入力することにより、製品収率又は製品収率に寄与する指標値を出力するモデルである。
図１６は、第３ＤＢ５２３のデータ構造の一例を示す図である。図１６に示すように、第３ＤＢ５２３のレコードのそれぞれは、項目「ＩＤ」、項目「モデル名」、項目「パラメータ」、項目「日時」などを含む。なお、ここに示す項目はすべてではなく、ここに示す項目がなくても、また、他の項目があっても構わない。
項目「ＩＤ」は、各レコードを識別するための情報を記憶する。
項目「モデル名」は、モデルの名称を格納する。
項目「パラメータ」は、対応するモデルのパラメータを記憶する。
項目「日時」は、当該モデルの学習日時又は取得日時を記憶する。
制御部５３０は、情報処理装置５０のプロセッサ１１がプログラムに従って処理を行うことにより、受信制御部１３１、送信制御部１３２、取得部５３３、第１算出部５３４、解析部５３５、生成部５３６、第２算出部５３７、学習部５３８、入力部５３９、予測部５４０、第３算出部５４１、最適化部５４２、出力部５４３などに示す機能を発揮する。
取得部５３３は、反応状態のパラメータを算出するために必要なデータを、第１ＤＢ５２１から取得する。
具体的には、取得部５３３は、反応装置６０において当該化学反応に用いる物質に関する情報、反応装置６０の運転パラメータ、その他の過去に当該化学反応を行った際のデータ（例えば、触媒活性、製品収率など）等からなる実データの組を、第１ＤＢ５２１から取得する。
また、取得部５３３は、第３ＤＢ５２３から反応モデル及び反応モデルのパラメータを取得する。
第１算出部５３４は、反応装置６０において当該化学反応に用いる物質に関する情報、及び、反応装置６０の運転パラメータを用いて、反応装置６０において、所定の運転パラメータで化学反応を行った場合の物質の反応状態を予測した第１の反応状態のパラメータを求める。
化学品等の製造における化学反応においては、高いモデル予測精度が要求される。一方で、モデルでは考慮できるパラメータが限定的になってしまい実験で得られたデータと、モデルの予測結果とでは、ギャップが大きくなってしまう。本開示の技術は、第１の反応状態のパラメータを求めることにより、一旦見かけの反応状態のパラメータを用いる。本開示の技術は、この見かけの反応状態のパラメータを用いることにより、予測モデルの精度向上を図る。
具体的には、第1算出部５３４は、まず、第１ＤＢ５２１から、反応装置６０において当該化学反応に用いる物質に関する情報、及び、反応装置６０の運転パラメータを取得する。次に、第１算出部５３４は、第１の反応状態のパラメータとして、反応装置６０において、所定の運転パラメータで化学反応を行った場合の物質の反応速度を予測した第１の反応速度のパラメータを求める。より具体的には、第１算出部５３４は、取得した反応装置６０において当該化学反応に用いる物質に関する情報と、反応装置６０の運転パラメータと、反応モデルとを用いて、反応速度又は反応速度定数を求める。
反応モデルは、例えば、下記式で表される。
Figure 0007354477000002
ここで、上記式中において、ｋは反応速度定数、ｔは時間、Ｃは物質濃度、ｋＣ 2は反応速度である。
そして、第１算出部５３４は、第１の反応速度のパラメータとして、例えばｋを求める。
算出された第１の反応状態のパラメータは、第２ＤＢ５２２に記憶される。
解析部５３５は、第１の反応状態のパラメータと、当該化学反応における所定の反応律速との相関関係を用いて、反応装置６０において、所定の運転パラメータで化学反応を行った場合の化学反応の反応律速を解析することにより、反応律速を定量化する。
具体的には、解析部５３５は、まず、反応装置６０における反応律速を解析する。解析部は、反応律速を解析する際に、第１の反応状態のパラメータと、化学反応における第１の反応状態のパラメータに影響を及ぼす複数の因子の各々との相関関係を用いて、反応装置６０において、当該運転パラメータで化学反応を行った場合の化学反応の反応律速を解析する。
反応律速は、反応を構成する段階のうち、反応状態のパラメータの決定に影響のあるものである。反応律速は、例えば、反応速度を決定する反応を構成する各段階において、最も時間がかかるものである。反応律速は、第１の反応状態のパラメータに影響を及ぼす複数の因子により表すことができる。当該因子は、例えば、真の反応速度、溶媒中の物質拡散速度、触媒吸着平衡、触媒活性などである。解析部５３５は、見かけの反応状態のパラメータである第１の反応状態のパラメータと、これらの当該複数の因子の各々の数式から導かれる数値との相関関係を解析する。
ここで、第１の反応状態のパラメータと、当該複数の因子の各々との相関関係を、真の反応速度定数であれば反応速度依存、溶媒中の物質拡散速度であれば物質拡散依存、触媒吸着平衡であれば触媒吸着依存、触媒活性であれば触媒活性依存と呼ぶ。
次に、解析部５３５は、解析した第１の反応状態のパラメータに影響を及ぼす複数の因子の各々を定量化する。具体的には、解析部５３５は、例えば触媒活性律速の場合、当該運転パラメータについて触媒活性の異なるデータと、各触媒活性と見かけの反応速度定数の相関とを用いて、見かけの反応速度定数と触媒活性の線形近似式を求める。解析部５３５は、求めた線形近似式を用いて、当該運転パラメータにおける触媒活性を求めることにより、当該化学反応における触媒活性律速を定量化することができる。
図１７は、運転状態によって、反応律速が何なのかを示す例を示す図である。図１７は、運転パラメータにおいて、反応速度依存、物質拡散依存、触媒吸着依存の関係を示している。図１７に示すように、解析部５３５が、第１の反応状態のパラメータと、第１の反応状態のパラメータに影響を及ぼす複数の因子の各々との関係を解析し、定量化することにより、当該運転パラメータにおける物質の反応速度について、他の反応律速との相対的な位置が可視化される。
なお、解析部５３５は、反応律速を定量化した図を画面等の出力デバイスに表示するように構成しても良い。
生成部５３６は、定量化した第１の反応状態のパラメータに影響を及ぼす複数の因子の各々を用いて、化学反応を示す反応モデルを修正した修正モデルを生成する。
具体的には、生成部５３６は、定量化した１の反応状態のパラメータに影響を及ぼす複数の因子の各々により、反応モデルにその相関関係を反映させた修正モデルを生成する。生成部５３６は、例えば、触媒活性依存を定量化したことにより、ｋを修正する触媒活性係数αが求まっている場合、上記反応モデルの式においてｋにαｋ´を代入することにより、反応モデルを修正する。生成部５３６は、同様に、物質拡散依存などにより物質濃度Ｃに所定の式を代入するなどにより、反応モデルを修正する。
そして、生成部５３６は、生成した修正モデルを、第３ＤＢ５２３に格納する。
第２算出部５３７は、修正モデルを用いて、反応装置６０において、運転パラメータで化学反応を行った場合の物質の反応状態を予測した第３の反応状態のパラメータを求める。
具体的には、第２算出部５３７は、第３の反応状態のパラメータとして、反応装置６０において、所定の運転パラメータで化学反応を行った場合の物質の反応速度を予測した第３の反応速度のパラメータを求める。より具体的には、第２算出部５３７は、取得した運転パラメータ、物質に関する情報、及び第１の反応状態のパラメータと、修正モデルとを用いて、第３の反応状態のパラメータとして、反応速度又は反応速度定数を算出する。そして、第２算出部５３７は、算出した第３の反応状態のパラメータを、第２ＤＢ５２２に格納する。なお、第３の反応状態のパラメータも、見かけの反応状態のパラメータである。
学習部５３８は、物質に関する情報と、運転パラメータとを入力することに応じて、当該物質の反応状態である第２の反応状態のパラメータを出力する予測モデルを、第１ＤＢ５２１に記憶された物質に関する情報及び取得した運転パラメータと、算出され第２ＤＢ５２２に記憶された見かけの反応状態のパラメータ（第１の反応状態のパラメータ又は第３の反応状態のパラメータ）とを学習データとして学習する。
具体的には、学習部５３８は、物質に関する情報と運転パラメータとを入力することに応じて第２の反応状態のパラメータとして第２の反応速度のパラメータを出力する予測モデルを、第１ＤＢ５２１に記憶された物質に関する情報及び取得した運転パラメータと、求めた見かけの反応状態のパラメータ（第１の反応状態のパラメータ又は第３の反応状態のパラメータ）とを学習データとして学習する、
学習部５３８は、見かけの反応状態のパラメータとして、第１の反応状態のパラメータ又は第３の反応状態のパラメータを学習に用いることができる。第３の反応状態のパラメータは、定量化の難しい第１の反応状態のパラメータに影響を及ぼす複数の因子の各々の影響を反応モデルに適用しているため、第１の反応状態のパラメータよりも、予測モデルの学習精度の向上に寄与することができる。また、第１の反応状態のパラメータは、修正モデルを作らないため、より早く精度のよい予測モデルを取得したい場合に向いている。学習部５３８が何れのパラメータを学習に用いるかは、任意に決定することができる。
学習部５３８は、予測モデルを、上記第１実施形態と同様の学習方法を用いて学習する。学習部５３８が予測モデルを学習することにより、物質の変化に伴い変化する反応速度又は反応速度定数と運転パラメータの相関を学習することができる。よって、学習した予測モデルを用いることで、実運転における反応速度又は反応速度定数を精度よく予測することができる。
そして、学習部５３８は、学習した予測モデルを第３ＤＢ５２３に格納する。
入力部５３９は、物質に関する情報と、運転パラメータとの入力を受け付ける。
具体的には、入力部５３９は、反応装置６０における物質の反応状態のパラメータを求めたい物質に関する情報と、求めたい反応状態における運転パラメータとの入力を受け付ける。
予測部５４０は、物質に関する情報と、運転パラメータと、予測モデルとを用いて、第２の反応状態のパラメータを求める。
具体的には、予測部５４０は、まず、学習された予測モデルを第３ＤＢ５２３から取得する。
次に、予測部５４０は、入力を受け付けた物質に関する情報及び運転パラメータを、予測モデルに入力することにより、第２の反応状態のパラメータを求める。
第３算出部５４１は、物質に関する情報と、運転パラメータと、第２の反応状態のパラメータとを用いて、製品収率又は製品収率に寄与する指標値を求める。
具体的には、第３算出部５４１は、まず、収率モデルを第３ＤＢ５２３から取得する。次に、第３算出部５４１は、物質に関する情報と、運転パラメータと、第２の反応状態のパラメータと、収率モデルとを用いて、製品収率又は製品収率に寄与する指標値を求める。第２実施形態において、製品収率は、例えば、反応装置６０により得られる化学品等の収率である。また、製品収率に寄与する指標値は、製品収率を求めるために必要な運転パラメータなどである。当該指標値は、例えば、反応温度、反応時間、触媒濃度、反応圧力、溶媒の基質濃度などである。
最適化部５４２は、求めた製品収率又は製品収率に寄与する指標値と、物質に関する情報と、運転パラメータと、第２の反応状態のパラメータとを用いて、最適な製品収率を実現する運転パラメータを求める。
具体的には、最適化部５４２は、まず、製品収率又は製品収率に寄与する指標値と、重物質に関する情報と、運転パラメータと、第２の反応状態のパラメータとを用いて、最適な製品収率を求める。例えば、最適化部５４２は、製品収率又は製品収率に寄与する指標値と、物質に関する情報と、運転パラメータと、第２の反応状態のパラメータとを、最適な製品収率を探索するためのモデルに入力することにより、最適となる製品収率を探索する。
次に、最適化部５４２は、製品収率又は製品収率に寄与する指標値と、物質に関する情報と、第２の反応状態のパラメータと、求めた最適となる製品収率とを用いて、最適な運転パラメータを求める。なお、最適化部５４２は、学習済みの予測モデルも用いて最適な運転パラメータを求める構成としてもよい。
出力部５４３は、最適な運転パラメータを出力する。出力部５４３は、出力部１４０と同様の手法により、出力することができる。また、出力部５４３は、予測した第２の反応状態のパラメータ、求めた製品収率又は製品収率に寄与する指標値も出力する構成としてもよい。
なお、第２実施形態において、第１実施形態の技術を用いて、触媒活性を求めること、求めた触媒活性を用いて製品収率等を求めることとしてもよい。
＜６．動作＞
以下では、情報処理装置５０における処理について図面を参照しながら説明する。
＜６．１．学習処理＞
図１８は、情報処理装置５０による学習処理を行う流れの一例を示すフローチャートである。情報処理装置５０は、当該処理を、任意のタイミング（例えば、学習処理開始信号の受信など）において実行する。
ステップＳ５０１において、取得部５３３は、化学反応に用いる物質に関する情報及び反応装置の運転パラメータを、第１ＤＢ５２１から取得する。
ステップＳ５０２において、情報処理装置５０は、見かけの反応状態のパラメータの算出処理を実行する。
ステップＳ５０３において、学習部５３８は、物質に関する情報と、運転パラメータとを入力することに応じて、当該物質の反応状態である第２の反応状態のパラメータを出力する予測モデルを、取得した物質に関する情報と、取得した運転パラメータと、求めた見かけの反応状態のパラメータとを学習データとして学習する。
ステップＳ５０４において、学習部５３８は、学習した予測モデルを第３ＤＢ５２３に格納し、処理を終了する。
＜６．２．ステップＳ５０２の算出処理＞
図１９は、情報処理装置５０によるステップＳ５０２の算出処理を行う流れの一例を示すフローチャートである。
ステップＳ６０１において、第１算出部５３４は、取得した化学反応に用いる物質に関する情報及び反応装置の運転パラメータを用いて、反応装置６０において、所定の運転パラメータで化学反応を行った場合の物質の反応状態を予測した第１の反応状態のパラメータを求める。
ステップＳ６０２において、解析部５３５は、取得したデータを解析することにより、反応装置６０における反応律速を解析する。
ステップＳ６０３において、解析部５３５は、反応律速を定量化した図を画面等の出力デバイスに表示する。
ステップＳ６０４において、解析部５３５は、解析した各反応律速を定量化する。
ステップＳ６０５において、生成部５３６は、定量化した第１の反応状態のパラメータに影響を及ぼす複数の因子の各々を用いて、化学反応を示す反応モデルを修正した修正モデルを生成する。
ステップＳ６０６において、第２算出部５３７は、修正モデルを用いて、反応装置６０において、運転パラメータで化学反応を行った場合の物質の反応状態を予測した第３の反応状態のパラメータを求め、リターンする。
＜６．３．予測処理＞
図２０は、情報処理装置５０による予測処理を行う流れの一例を示すフローチャートである。情報処理装置５０は、当該処理を、物質に関する情報と、運転パラメータとが入力されること等により実行する。
ステップＳ７０１において、入力部５３９は、物質に関する情報と、運転パラメータとの入力を受け付ける。
ステップＳ７０２において、予測部５４０は、学習された予測モデルを第３ＤＢ５２３から取得する。
ステップＳ７０３において、予測部５４０は、入力を受け付けた物質に関する情報及び運転パラメータを、予測モデルに入力することにより、第２の反応状態のパラメータを求める。
ステップＳ７０４において、第３算出部５４１は、物質に関する情報と、運転パラメータと、第２の反応状態のパラメータとを用いて、製品収率又は製品収率に寄与する指標値を求める。
ステップＳ７０５において、最適化部５４２は、求めた製品収率又は製品収率に寄与する指標値と、物質に関する情報と、運転パラメータと、第２の反応状態のパラメータとを用いて、最適な製品収率を実現する運転パラメータを求める。
ステップＳ７０６において、出力部５４３は、最適な運転パラメータを出力し、処理を終了する。
＜７．小括＞
以上説明したように、本開示の技術は、所定の化学反応を行う反応装置に関する運転パラメータと、当該反応装置で化学反応に用いる物質に関する情報と、を取得し、当該反応装置において、運転パラメータで化学反応を行った場合の物質の反応状態を予測した第１の反応状態のパラメータを求める。本開示の技術は、物質に関する情報と、運転パラメータとを入力することに応じて、物質の反応状態である第２の反応状態のパラメータを出力する予測モデルを、取得した物質に関する情報と、取得した運転パラメータと、第１の反応状態のパラメータとを学習データとして学習する。本開示の技術は、学習した予測モデルを記憶部に格納する。これにより、本開示の技術は、精度良く化学品（例えば、工業薬品・化学肥料・紙・パルプ・ゴム・合成繊維・合成樹脂・石油製品・医薬品・染料・洗剤・化粧品・バイオ製品）などの製造に係る反応状態を予測することができるモデルを学習することができる。
また、本開示の技術は、第１の反応状態のパラメータと、化学反応における所定の反応律速との相関関係を用いて、反応装置において、運転パラメータで化学反応を行った場合の化学反応の反応律速を解析することにより、反応律速を定量化する。本開示の技術は、定量化した反応律速を用いて、化学反応を示す反応モデルを修正した修正モデルを生成し、当該修正モデルを用いて、反応装置において、運転パラメータで化学反応を行った場合の物質の反応状態を予測した第３の反応状態のパラメータを求める。本開示の技術は、予測モデルを、取得した物質に関する情報と、取得した運転パラメータと、第３の反応状態のパラメータとを学習データとして学習する。これにより、本開示の技術は、過去の化学反応の結果、実験結果などを用いて、運転パラメータ及び化学物質に応じた見かけの反応状態のパラメータを算出する。本開示の技術は、この見かけの反応状態のパラメータを用いて、当該モデルを学習する。これにより、定量化の難しい第１の反応状態のパラメータに影響を及ぼす複数の因子の各々の影響をデータドリブンに精度よく定量化することができ、反応モデルの構築の高速化及び精度向上に寄与することができる。
＜８．その他＞
以上、開示に係る実施形態について説明したが、これらはその他の様々な形態で実施することが可能であり、種々の省略、置換及び変更を行なって実施することができる。これらの実施形態及び変形例ならびに省略、置換及び変更を行なったものは、特許請求の範囲の技術的範囲とその均等の範囲に含まれる。
例えば、情報処理装置１０及び情報処理装置５０の各機能を、他の装置に構成してもよい。例えば、記憶部１２０の各ＤＢは、外部のデータベースとして構築してもよい。また、情報処理装置１０及び情報処理装置５０の各機能を、他の装置に構成してもよい。また、第１実施形態の技術と、第２実施形態の技術とを適宜組み合わせて実施することができる。
また、上記開示では、重質油分解装置２０がＦＣＣを採用する場合を例に説明したが、これに限定されるものではない。重質油分解装置２０が熱分解及び水素化分解の場合でも、本開示の構成を適用することができる。図１０及び図１１に、重質油分解装置２０が熱分解及び水素化分解の場合の構成例を示す。なお、下記の構成例は説明のための一例であり、熱分解及び水素化分解における重質油分解装置２０を限定するものではない。
図１０は、重質油分解装置２０の構成例を示す図である。図１０の例は、重質油分解装置２０が、熱分解により重質油を分解する場合である。図１０に示すように、重質油分解装置２０は、蒸留塔２３と、加熱炉２４と、リアクター２５とを含む。重質油分解装置２０は、熱分解において、蒸留塔２３、加熱炉２４、及びリアクター２５を制御する機能、情報処理装置１０と所定の情報を通信により送受信することができる機能を有する。
蒸留塔２３は、原料となる重質油を受け入れ、蒸留によって重質油の各成分（軽質ガス、ナフサ留分、中間留分、重質成分までの各成分及びコーク）を沸点に従い分離し出力する。蒸留塔２３は、出力された各成分の中でも蒸留塔２３の底部より出力された重質油を加熱炉２４に渡す。
加熱炉２４は、蒸留塔２３によって分離された重質油を熱分解に必要な温度まで加熱し、高温の重質油を出力する。加熱炉２４は、出力された高温の重質油を、リアクター２５に渡す。
リアクター２５は、加熱炉２４によって昇温された高温の重質油を分解し、分解ガス及びコークを出力する。リアクター２５は、バッチサイクル運転又はセミバッチサイクル運転を行う。リアクター２５は、反応後において、リアクター２５内部に残存した重質油のパージを行い、リアクター２５表面に付着したコークを取り除くデコーキングがされた後、次の反応に備えてウォームアップされる。
図１１は、重質油分解装置２０の構成例を示す図である。図１１の例は、重質油分解装置２０が、水素化分解により重質油を分解する場合である。図１１に示すように、重質油分解装置２０は、リアクター２６と、水素分離槽２７とを含む。重質油分解装置２０は、水素化分解において、リアクター２６及び水素分離槽２７を制御する機能、情報処理装置１０と所定の情報を通信により送受信することができる機能を有する。
リアクター２６は、原料となる重質油を触媒及び水素に接触させることにより分解反応を生じさせ、分解生成物（軽質ガス、ナフサ留分、中間留分、重質成分までの各成分及びコークやスラッジ成分）を得る装置である。具体的には、リアクター２６は、重質油と水素と触媒が投入されると当該重質油を水素及び触媒に接触させる。次にリアクター２６は、重質油が水素及び触媒に接触されたことによる分解反応により、重質油を重質油分解した分解生成物を得る。そして、リアクター２６は、分解油を出力する。
水素分離槽２７はリアクター２６によって分解された分解生成物及び水素（スラリー床水素化分解の場合は触媒も含む）を分離する。具体的には、水素分離槽２７は、高圧水素分離槽、中圧水素分離槽及び低圧水素分離槽（スラリー床水素化分解の場合は触媒分離槽も含む）を有し、それぞれの槽において分解生成物及び水素（スラリー床水素化分解の場合は触媒も分離）を分離する。水素分離槽２７は、分離された分解生成物及び水素（スラリー床水素化分解の場合は触媒）を出力する。
また、第２実施形態において、化学品の製造について例を挙げたが、これに限定されるものではない。化学反応を伴う製品の製造、特にプラントにおいて当該製造を実施する場合、本開示の技術を適用できることが明白である。
＜付記＞
以上の各実施形態で説明した事項を、以下に付記する。 （付記１）プロセッサ（１１）を備えた重質油反応状態を予測する情報処理装置（１０）であって、
重質油分解の対象となる重質油の油性状と、重質油分解を行う重質油分解装置に関する運転パラメータと、前記運転パラメータにより前記重質油分解装置において前記重質油を重質油分解したときの反応状態を示す値とを、学習データとして入力を受け付けるステップ（Ｓ１０１）と、前記重質油の油性状と前記運転パラメータを入力することに応答して前記重質油分解の反応状態を出力する第１モデルを、前記学習データを用いて学習するステップ（１０２）と、学習した前記第１モデルを記憶部に格納するステップ（Ｓ１０３）と、を実行する情報処理装置。
（付記２）前記運転パラメータは、前記運転パラメータのうち前記重質油の分解反応に関する第１のパラメータであり、前記反応状態を示す値は、前記重質油分解における前記重質油の反応速度に関するパラメータであり、前記第１モデルは、前記重質油の油性状と、前記第１のパラメータとを入力することに応答して、前記反応速度に関するパラメータを出力するモデルである、（付記１）に記載の情報処理装置。
（付記３）前記運転パラメータは、前記運転パラメータのうち平衡触媒活性に関する第２のパラメータであり、前記反応状態を示す値は、前記重質油分解における前記重質油の平衡触媒活性を示す指標値であり、前記第１モデルは、前記重質油の油性状と、前記第２のパラメータとを入力することに応答して、前記平衡触媒活性を示す指標値を出力するモデルである、（付記１）に記載の情報処理装置。
（付記４）重質油分解を実行中の重質油分解装置に関する運転パラメータである第３のパラメータと、重質油の油性状と、学習済みの第１モデルとを取得するステップ（Ｓ２０１）と、前記重質油の油性状と、前記第３のパラメータとを、前記第１モデルに入力することにより、前記反応状態を示す値を予測するステップ（Ｓ２０２、Ｓ２０３）と、前記反応状態を示す値を出力するステップ（Ｓ２０４）と、を実行する（付記１）～（付記３）の何れかに記載の情報処理装置。
（付記５）前記第１モデルを、前記学習データと、前記第３のパラメータと、前記予測するステップにより予測された前記反応状態を示す値とを用いて再学習するステップ（Ｓ２１２、Ｓ２１３）と、再学習した前記第１モデルを記憶部に格納するステップ（Ｓ２１４）と、を実行する（付記４）に記載の情報処理装置。
（付記６）プロセッサ（１１）を備える情報処理装置（１０）であって、重質油分解の対象となる重質油の油性状と、重質油分解を行う重質油分解装置に関する運転パラメータを入力することに応答して前記運転パラメータにより前記重質油分解装置において前記重質油を重質油分解したときの反応状態を示す値を出力する第１モデルを取得するステップ（Ｓ２０１）と、前記重質油の油性状と、前記運転パラメータとの入力を受け付けるステップ（Ｓ２０２、Ｓ２０３）と、前記重質油の油性状と、前記運転パラメータと、前記第１モデルとを用いて、前記反応状態を示す値を求めるステップ（Ｓ２０３）と、前記重質油の油性状と、前記運転パラメータと、前記反応状態を示す値とを用いて、前記製品収率又は前記製品収率に寄与する指標値を求めるステップ（Ｓ３０４）と、求めた前記製品収率又は前記製品収率に寄与する指標値を出力するステップ（Ｓ３０５）と、を実行する情報処理装置。
（付記７）前記運転パラメータは、前記運転パラメータのうち前記重質油の分解反応に関する第１のパラメータであり、前記反応状態を示す値は、前記重質油分解における前記重質油の反応速度に関するパラメータであり、前記第１モデルは、前記重質油の油性状と、前記第１のパラメータとを入力することに応答して、前記反応速度に関するパラメータを出力するモデルであり、前記製品収率又は前記製品収率に寄与する指標値を求めるステップにおいて、前記重質油の油性状と、前記第１のパラメータと、求めた前記重質油分解の反応速度に関するパラメータとを用いて、前記製品収率又は前記製品収率に寄与する指標値を求める、（付記６）に記載の情報処理装置。
（付記８）前記運転パラメータは、前記運転パラメータのうち平衡触媒活性に関する第２のパラメータであり、前記反応状態を示す値は、前記重質油分解における前記重質油の平衡触媒活性を示す指標値であり、前記第１モデルは、前記重質油の油性状と、前記第２のパラメータとを入力することに応答して、前記平衡触媒活性を示す指標値を出力するモデルであり、前記製品収率に寄与する指標値を求めるステップにおいて、前記重質油の油性状と、前記第２のパラメータと、求めた前記平衡触媒活性を示す指標値とを用いて、前記製品収率に寄与する指標値を求める、（付記６）に記載の情報処理装置。
（付記９）前記運転パラメータのうち重質油の分解反応に関する第１のパラメータの入力を受け付けるステップ（Ｓ２０１）と、前記重質油の油性状と、前記第１のパラメータとを入力することに応答して、前記重質油分解の反応速度に関するパラメータを出力する第２モデルと、前記重質油の油性状と、前記第１のパラメータと、を用いて、前記反応速度に関するパラメータを求めるステップ（Ｓ２０２）と、を実行し、前記取得するステップにおいて、前記重質油の油性状と、前記第１モデルと、前記第２モデルとを取得し、前記製品収率又は前記製品収率に寄与する指標値を求めるステップにおいて、前記重質油の油性状と、前記第１のパラメータと、求めた前記重質油分解の反応速度に関するパラメータと、前記第２のパラメータと、求めた前記平衡触媒活性を示す指標値とを用いて、前記製品収率又は前記製品収率に寄与する指標値を求める、（付記８）に記載の情報処理装置。
（付記１０）前記取得するステップにおいて、前記重質油の油性状と、前記第１のパラメータと、求めた前記重質油分解の反応速度に関するパラメータと、前記第２のパラメータと、求めた前記平衡触媒活性を示す指標値とを入力することにより、前記製品収率又は前記製品収率に寄与する指標値を出力する反応モデルと、前記重質油の油性状と、前記第１モデルと、前記第２モデルとを取得し、前記製品収率又は前記製品収率に寄与する指標値を求めるステップにおいて、前記重質油の油性状と、前記第１のパラメータと、求めた前記重質油分解の反応速度に関するパラメータと、前記第２のパラメータと、求めた前記平衡触媒活性を示す指標値と、前記反応モデルとを用いて、前記製品収率又は前記製品収率に寄与する指標値を求める、（付記９）に記載の情報処理装置。
（付記１１）求めた前記製品収率又は前記製品収率に寄与する指標値と、前記重質油の油性状と、前記運転パラメータと、前記反応状態を示す値とを用いて、最適な製品収率を実現する運転パラメータを求めるステップ（Ｓ４０５）と、を実行する（付記７）～（付記１０）の何れかに記載の情報処理装置。
（付記１２）前記第１モデルは、線形回帰モデル又はニューラルネットワークモデルであり、前記学習するステップにおいて、前記重質油の油性状と、前記運転パラメータと、前記反応状態との相関関係を表すように、前記第１モデルを学習する、（付記１）～（付記１１）の何れかに記載の情報処理装置。
（付記１３）プロセッサ（１１）を備えるコンピュータ（例えば、情報処理装置１０）が、重質油分解の対象となる重質油の油性状と、重質油分解を行う重質油分解装置に関する運転パラメータと、前記運転パラメータにより前記重質油分解装置において前記重質油を重質油分解したときの反応状態を示す値とを、学習データとして入力を受け付けるステップ（Ｓ１０１）と、前記重質油の油性状と前記運転パラメータを入力することに応答して前記重質油分解の反応状態を出力する第１モデルを、前記学習データを用いて学習するステップ（Ｓ１０２）と、学習した前記第１モデルを記憶部に格納するステップ（Ｓ１０３）と、を実行する方法。
（付記１４）プロセッサ（１１）を備えるコンピュータ（例えば、情報処理装置１０）に実行させるプログラムであって、前記プロセッサに、重質油分解の対象となる重質油の油性状と、重質油分解を行う重質油分解装置に関する運転パラメータと、前記運転パラメータにより前記重質油分解装置において前記重質油を重質油分解したときの反応状態を示す値とを、学習データとして入力を受け付けるステップ（Ｓ１０１）と、前記重質油の油性状と前記運転パラメータを入力することに応答して前記重質油分解の反応状態を出力する第１モデルを、前記学習データを用いて学習するステップ（Ｓ１０２）と、学習した前記第１モデルを記憶部に格納するステップ（Ｓ１０３）と、を実行させるプログラム。
（付記１５）プロセッサ（１０）を備えた情報処理装置（５０）であって、所定の化学反応を行う反応装置に関する運転パラメータと、前記反応装置で前記化学反応に用いる物質に関する情報と、を取得するステップ（Ｓ５０１）と、前記反応装置において、前記運転パラメータで前記化学反応を行った場合の前記物質の反応状態を予測した第１の反応状態のパラメータを求めるステップ（Ｓ５０２）と、前記物質に関する情報と、前記運転パラメータとを入力することに応じて、前記物質の反応状態である第２の反応状態のパラメータを出力する予測モデルを、取得した前記物質に関する情報と、取得した前記運転パラメータと、前記第１の反応状態のパラメータとを学習データとして学習するステップ（Ｓ５０３）と、学習した前記予測モデルを記憶部に格納するステップ（Ｓ５０４）と、を実行する情報処理装置。
（付記１６）前記第１の反応状態のパラメータを求めるステップ（Ｓ５０２）において、前記第１の反応状態のパラメータとして、前記反応装置において、前記運転パラメータで前記化学反応を行った場合の前記物質の反応速度を予測した第１の反応速度のパラメータを求め、前記学習するステップ（Ｓ５０３）において、前記物質に関する情報と前記運転パラメータとを入力することに応じて前記第２の反応状態のパラメータとして第２の反応速度のパラメータを出力する予測モデルを、取得した前記物質に関する情報と、取得した前記運転パラメータと、前記第１の反応状態のパラメータとを学習データとして学習する、（付記１５）に記載の情報処理装置。
（付記１７）前記第１の反応状態のパラメータと、前記化学反応における所定の反応律速との相関関係を用いて、前記反応装置において、前記運転パラメータで前記化学反応を行った場合の前記化学反応の反応律速を解析することにより、前記反応律速を定量化するステップ（Ｓ６０２、Ｓ６０４）と、前記定量化した反応律速を用いて、前記化学反応を示す反応モデルを修正した修正モデルを生成するステップ（Ｓ６０５）と、前記修正モデルを用いて、前記反応装置において、前記運転パラメータで前記化学反応を行った場合の前記物質の反応状態を予測した第３の反応状態のパラメータを求めるステップ（Ｓ６０６）と、を実行し、前記学習するステップ（Ｓ５０３）において、前記学習データとして、取得した前記物質に関する情報と、取得した前記運転パラメータと、前記第３の反応状態のパラメータとを用いて、前記予測モデルを学習する、（付記１５）に記載の情報処理装置。
（付記１８）前記定量化するステップ（Ｓ６０４）において、前記第１の反応状態のパラメータと、前記化学反応における第１の反応状態のパラメータに影響を及ぼす複数の因子の各々との相関関係を用いて、前記反応装置において、前記運転パラメータで前記化学反応を行った場合の前記化学反応の前記複数の因子の各々を解析することにより、前記前記複数の因子の各々を定量化し、前記生成するステップ（Ｓ６０５）において、前記定量化した前記複数の因子の各々を用いて、前記化学反応を示す反応モデルを修正した修正モデルを生成する、（付記１７）に記載の情報処理装置。
（付記１９）プロセッサ（１０）を備える情報処理装置（５０）であって、（付記１５）～（付記１８）の何れかに記載の情報処理装置により学習された前記予測モデルを取得するステップ（Ｓ７０２）と、前記物質に関する情報と、前記運転パラメータとの入力を受け付けるステップ（Ｓ７０１）と、前記物質に関する情報と、前記運転パラメータと、前記予測モデルとを用いて、前記反応状態のパラメータを求めるステップ（Ｓ７０３）と、前記物質に関する情報と、前記運転パラメータと、前記第２の反応状態のパラメータとを用いて、製品収率又は製品収率に寄与する指標値を求めるステップ（Ｓ７０４）と、求めた前記製品収率又は前記製品収率に寄与する指標値を出力するステップ（Ｓ７０６）と、を実行する情報処理装置。
（付記２０）プロセッサ（１０）を備えるコンピュータ（例えば、情報処理装置５０）が、所定の化学反応を行う反応装置に関する運転パラメータと、前記反応装置で前記化学反応に用いる物質に関する情報と、を取得するステップ（Ｓ５０１）と、前記反応装置において、前記運転パラメータで前記化学反応を行った場合の前記物質の反応状態を予測した第１の反応状態のパラメータを求めるステップ（Ｓ５０２）と、前記物質に関する情報と、前記運転パラメータとを入力することに応じて、前記物質の反応状態である第２の反応状態のパラメータを出力する予測モデルを、取得した前記物質に関する情報と、取得した前記運転パラメータと、前記第１の反応状態のパラメータとを学習データとして学習するステップ（Ｓ５０３）と、学習した前記予測モデルを記憶部に格納するステップ（Ｓ５０４）と、を実行する方法。
（付記２１）プロセッサ（１０）を備えるコンピュータ（例えば、情報処理装置５０）に実行させるプログラムであって、前記プロセッサに、定の化学反応を行う反応装置に関する運転パラメータと、前記反応装置で前記化学反応に用いる物質に関する情報と、を取得するステップ（Ｓ５０１）と、前記反応装置において、前記運転パラメータで前記化学反応を行った場合の前記物質の反応状態を予測した第１の反応状態のパラメータを求めるステップ（Ｓ５０２）と、前記物質に関する情報と、前記運転パラメータとを入力することに応じて、前記物質の反応状態である第２の反応状態のパラメータを出力する予測モデルを、取得した前記物質に関する情報と、取得した前記運転パラメータと、前記第１の反応状態のパラメータとを学習データとして学習するステップ（Ｓ５０３）と、学習した前記予測モデルを記憶部に格納するステップ（Ｓ５０４）と、を実行させるプログラム。
１ ：情報処理システム
１０ ：情報処理装置
１１ ：プロセッサ
１２ ：メモリ
１３ ：ストレージ
１４ ：通信ＩＦ
１５ ：入出力ＩＦ
２０ ：重質油分解装置
２１ ：リアクター
２２ ：リジェネレーター
２３ ：蒸留塔
２４ ：加熱炉
２５ ：リアクター
２６ ：リアクター
２７ ：水素分離槽
３０ ：ユーザ端末
４０ ：ネットワーク
５０ ：情報処理装置
６０ ：反応装置
１１０ ：通信部
１２０ ：記憶部
１２１ ：学習データＤＢ
１２２ ：モデルＤＢ
１３０ ：制御部
１３１ ：受信制御部
１３２ ：送信制御部
１３３ ：入力部
１３４ ：学習部
１３５ ：取得部
１３６ ：予測部
１３７ ：決定部
１３８ ：算出部
１３９ ：最適化部
１４０ ：出力部
５２０ ：記憶部
５２１ ：第１ＤＢ
５２２ ：第２ＤＢ
５２３ ：第３ＤＢ
５３０ ：制御部
５３３ ：取得部
５３４ ：第１算出部
５３５ ：解析部
５３６ ：生成部
５３７ ：第２算出部
５３８ ：学習部
５３９ ：入力部
５４０ ：予測部
５４１ ：第３算出部
５４２ ：最適化部
５４３ ：出力部

Claims (7)

  1. プロセッサを備えた情報処理装置であって、
    製品を製造する過程における所定の化学反応を行う反応装置に関する運転パラメータと、前記反応装置で前記化学反応に用いる物質に関する情報と、を取得するステップと、
    前記反応装置において、前記運転パラメータで前記化学反応を行った場合の前記物質の反応速度を予測した第１の反応速度のパラメータを求めるステップと、
    前記第１の反応速度のパラメータと、前記化学反応における前記第１の反応速度のパラメータに影響を及ぼす複数の因子の各々との相関関係を用いて、前記反応装置において、前記運転パラメータで前記化学反応を行った場合の前記化学反応の前記複数の因子の各々を解析することにより、前記複数の因子の少なくとも１つを定量化するステップと、
    前記定量化した前記複数の因子の各々を用いて、前記化学反応を示す反応モデルを修正した修正モデルを生成するステップと、
    前記修正モデルを用いて、前記反応装置において、前記運転パラメータで前記化学反応を行った場合の前記物質の反応速度を予測した第３の反応速度のパラメータを求めるステップと、
    前記物質に関する情報と、前記運転パラメータとを入力することに応じて、前記物質の反応速度である第２の反応速度のパラメータを出力する予測モデルを、取得した前記物質に関する情報と、取得した前記運転パラメータと、反応速度のパラメータと、を学習データとして学習するステップと、
    学習した前記予測モデルを記憶部に格納するステップと、
    を実行し、
    前記学習するステップは、前記第１の反応速度のパラメータおよび前記第３の反応速度のパラメータのうち何れかを選択的に反応速度のパラメータとして学習するステップである、
    情報処理装置。
  2. 前記定量化するステップは、真の反応速度、物質拡散速度、触媒吸着平衡、触媒活性のうちの少なくとも２つを含む前記複数の因子の各々を定量化するステップである、
    請求項１記載の情報処理装置。
  3. プロセッサを備える情報処理装置であって、
    請求項１または２記載の情報処理装置により、前記第１の反応速度のパラメータおよび前記第３の反応速度のパラメータの何れかのパラメータに基づき学習された前記予測モデルを取得するステップと、
    前記物質に関する情報と、前記運転パラメータとの入力を受け付けるステップと、
    前記物質に関する情報と、前記運転パラメータと、前記予測モデルとを用いて、前記第２の反応速度のパラメータを求めるステップと、
    前記物質に関する情報と、前記運転パラメータと、前記第２の反応速度のパラメータとを用いて、製品収率又は製品収率に寄与する指標値を求めるステップと、
    求めた前記製品収率又は前記製品収率に寄与する指標値を出力するステップと、
    を実行する情報処理装置。
  4. 前記反応装置において、前記運転パラメータで前記化学反応を行った場合の分析された前記物質の反応速度の分析結果の取得に応じて、当該分析結果に基づき、前記予測モデルを再学習する再学習ステップと、
    再学習した前記予測モデルを記憶部に格納するステップと
    を実行する請求項１または２に記載の情報処理装置。
  5. 前記予測モデルは、前記物質に関する情報と、前記運転パラメータとを入力することに応じて、前記物質の反応速度である前記第２の反応速度のパラメータをリアルタイムに出力可能である、
    請求項１または２記載の情報処理装置。
  6. プロセッサを備えるコンピュータが、
    製品を製造する過程における所定の化学反応を行う反応装置に関する運転パラメータと、前記反応装置で前記化学反応に用いる物質に関する情報と、を取得するステップと、
    前記反応装置において、前記運転パラメータで前記化学反応を行った場合の前記物質の反応速度を予測した第１の反応速度のパラメータを求めるステップと、
    前記第１の反応速度のパラメータと、前記化学反応における前記第１の反応速度のパラメータに影響を及ぼす複数の因子の各々との相関関係を用いて、前記反応装置において、前記運転パラメータで前記化学反応を行った場合の前記化学反応の前記複数の因子の各々を解析することにより、前記複数の因子の少なくとも１つを定量化するステップと、
    前記定量化した前記複数の因子の各々を用いて、前記化学反応を示す反応モデルを修正した修正モデルを生成するステップと、
    前記修正モデルを用いて、前記反応装置において、前記運転パラメータで前記化学反応を行った場合の前記物質の反応速度を予測した第３の反応速度のパラメータを求めるステップと、
    前記物質に関する情報と、前記運転パラメータとを入力することに応じて、前記物質の反応速度である第２の反応速度のパラメータを出力する予測モデルを、取得した前記物質に関する情報と、取得した前記運転パラメータと、反応速度のパラメータと、を学習データとして学習するステップと、
    学習した前記予測モデルを記憶部に格納するステップと、
    を実行し、
    前記学習するステップは、前記第１の反応速度のパラメータおよび前記第３の反応速度のパラメータのうち何れかを選択的に反応速度のパラメータとして学習するステップである、
    方法。
  7. プロセッサを備えるコンピュータに実行させるプログラムであって、
    前記プロセッサに、
    製品を製造する過程における所定の化学反応を行う反応装置に関する運転パラメータと、前記反応装置で前記化学反応に用いる物質に関する情報と、を取得するステップと、
    前記反応装置において、前記運転パラメータで前記化学反応を行った場合の前記物質の反応速度を予測した第１の反応速度のパラメータを求めるステップと、
    前記第１の反応速度のパラメータと、前記化学反応における前記第１の反応速度のパラメータに影響を及ぼす複数の因子の各々との相関関係を用いて、前記反応装置において、前記運転パラメータで前記化学反応を行った場合の前記化学反応の前記複数の因子の各々を解析することにより、前記複数の因子の少なくとも１つを定量化するステップと、
    前記定量化した前記複数の因子の各々を用いて、前記化学反応を示す反応モデルを修正した修正モデルを生成するステップと、
    前記修正モデルを用いて、前記反応装置において、前記運転パラメータで前記化学反応を行った場合の前記物質の反応速度を予測した第３の反応速度のパラメータを求めるステップと、
    前記物質に関する情報と、前記運転パラメータとを入力することに応じて、前記物質の反応速度である第２の反応速度のパラメータを出力する予測モデルを、取得した前記物質に関する情報と、取得した前記運転パラメータと、反応速度のパラメータと、を学習データとして学習するステップと、
    学習した前記予測モデルを記憶部に格納するステップと、
    を実行し、
    前記学習するステップは、前記第１の反応速度のパラメータおよび前記第３の反応速度のパラメータのうち何れかを選択的に反応速度のパラメータとして学習するステップである、
    プログラム。
JP2023517661A 2021-12-23 2022-08-05 プログラム、情報処理装置、及び方法 Active JP7354477B1 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JPPCT/JP2021/047814 2021-12-23
PCT/JP2021/047814 WO2023119544A1 (ja) 2021-12-23 2021-12-23 プログラム、情報処理装置、及び方法
PCT/JP2022/030118 WO2023119711A1 (ja) 2021-12-23 2022-08-05 プログラム、情報処理装置、及び方法

Publications (3)

Publication Number Publication Date
JPWO2023119711A1 JPWO2023119711A1 (ja) 2023-06-29
JP7354477B1 true JP7354477B1 (ja) 2023-10-02
JPWO2023119711A5 JPWO2023119711A5 (ja) 2023-11-22

Family

ID=86901744

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2022563051A Pending JPWO2023119544A1 (ja) 2021-12-23 2021-12-23
JP2023517661A Active JP7354477B1 (ja) 2021-12-23 2022-08-05 プログラム、情報処理装置、及び方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2022563051A Pending JPWO2023119544A1 (ja) 2021-12-23 2021-12-23

Country Status (5)

Country Link
EP (1) EP4428635A1 (ja)
JP (2) JPWO2023119544A1 (ja)
KR (1) KR20240125618A (ja)
TW (2) TWI827408B (ja)
WO (2) WO2023119544A1 (ja)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0784606A (ja) * 1993-09-09 1995-03-31 Idemitsu Kosan Co Ltd 多段断熱反応器の最適化制御方法及びその装置
JP2001241635A (ja) * 2000-02-25 2001-09-07 Hitachi Ltd ごみ焼却炉の制御方法及び装置
JP2001273474A (ja) * 2000-01-20 2001-10-05 Idemitsu Kosan Co Ltd 分析値推定方法、およびこの方法を実行させるプログラムを記録したコンピュータ読み取り可能な記録媒体
JP2003233402A (ja) * 2002-02-08 2003-08-22 Petroleum Energy Center 処理条件設定装置、その方法、そのプログラムおよび処理プラント
JP2004008908A (ja) * 2002-06-06 2004-01-15 Mazda Motor Corp 流体中の所定成分の濃度変化予測方法及び反応速度解析法
JP2018092511A (ja) * 2016-12-07 2018-06-14 三菱重工業株式会社 運用支援装置、機器運用システム、運用方法、制御方法及びプログラム
WO2018216746A1 (ja) * 2017-05-25 2018-11-29 コスモ石油株式会社 プラントの推奨運転条件を提供する方法、サーバ、コンピュータ可読命令および記録媒体
WO2019159280A1 (ja) * 2018-02-15 2019-08-22 千代田化工建設株式会社 プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置
JP2020166779A (ja) * 2019-03-29 2020-10-08 国立研究開発法人産業技術総合研究所 分子反応モデリング方法
CN111899793A (zh) * 2020-06-12 2020-11-06 中国石油天然气股份有限公司 一种分子级装置的实时优化方法、装置、系统及存储介质
WO2021157667A1 (ja) * 2020-02-04 2021-08-12 株式会社ダイセル 予測装置、予測方法及びプログラム
WO2021245910A1 (ja) * 2020-06-05 2021-12-09 千代田化工建設株式会社 運転状態推定システム、学習装置、推定装置、状態推定器の生成方法、及び推定方法
JP2021186761A (ja) * 2020-06-01 2021-12-13 株式会社クボタ 学習モデル生成装置、推測装置および散気量制御装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4828719B2 (ja) 2001-04-27 2011-11-30 一般財団法人石油エネルギー技術センター 石油コンビナートの運転条件の推定方法
CN110648729B (zh) * 2019-10-29 2022-02-22 中国石油化工股份有限公司 一种催化裂化模型建立方法与装置
CN111475957B (zh) * 2020-04-13 2024-02-02 华东理工大学 一种基于装置机理的炼油过程生产计划优化方法
CN111863143A (zh) * 2020-07-31 2020-10-30 中国石油化工股份有限公司 一种用于催化裂化动力学模型的参数估值方法及装置
CN114203264B (zh) * 2021-11-30 2024-05-14 华南理工大学 基于深度学习的化学反应转化率预测方法、系统及介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0784606A (ja) * 1993-09-09 1995-03-31 Idemitsu Kosan Co Ltd 多段断熱反応器の最適化制御方法及びその装置
JP2001273474A (ja) * 2000-01-20 2001-10-05 Idemitsu Kosan Co Ltd 分析値推定方法、およびこの方法を実行させるプログラムを記録したコンピュータ読み取り可能な記録媒体
JP2001241635A (ja) * 2000-02-25 2001-09-07 Hitachi Ltd ごみ焼却炉の制御方法及び装置
JP2003233402A (ja) * 2002-02-08 2003-08-22 Petroleum Energy Center 処理条件設定装置、その方法、そのプログラムおよび処理プラント
JP2004008908A (ja) * 2002-06-06 2004-01-15 Mazda Motor Corp 流体中の所定成分の濃度変化予測方法及び反応速度解析法
JP2018092511A (ja) * 2016-12-07 2018-06-14 三菱重工業株式会社 運用支援装置、機器運用システム、運用方法、制御方法及びプログラム
WO2018216746A1 (ja) * 2017-05-25 2018-11-29 コスモ石油株式会社 プラントの推奨運転条件を提供する方法、サーバ、コンピュータ可読命令および記録媒体
WO2019159280A1 (ja) * 2018-02-15 2019-08-22 千代田化工建設株式会社 プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置
JP2020166779A (ja) * 2019-03-29 2020-10-08 国立研究開発法人産業技術総合研究所 分子反応モデリング方法
WO2021157667A1 (ja) * 2020-02-04 2021-08-12 株式会社ダイセル 予測装置、予測方法及びプログラム
JP2021186761A (ja) * 2020-06-01 2021-12-13 株式会社クボタ 学習モデル生成装置、推測装置および散気量制御装置
WO2021245910A1 (ja) * 2020-06-05 2021-12-09 千代田化工建設株式会社 運転状態推定システム、学習装置、推定装置、状態推定器の生成方法、及び推定方法
CN111899793A (zh) * 2020-06-12 2020-11-06 中国石油天然气股份有限公司 一种分子级装置的实时优化方法、装置、系统及存储介质

Also Published As

Publication number Publication date
TWI829479B (zh) 2024-01-11
WO2023119711A1 (ja) 2023-06-29
JPWO2023119711A1 (ja) 2023-06-29
JPWO2023119544A1 (ja) 2023-06-29
EP4428635A1 (en) 2024-09-11
TW202326309A (zh) 2023-07-01
KR20240125618A (ko) 2024-08-19
TW202407582A (zh) 2024-02-16
TWI827408B (zh) 2023-12-21
WO2023119544A1 (ja) 2023-06-29

Similar Documents

Publication Publication Date Title
Shafizadeh et al. Machine learning predicts and optimizes hydrothermal liquefaction of biomass
Yang et al. A hybrid deep learning and mechanistic kinetics model for the prediction of fluid catalytic cracking performance
Becker et al. Hydrotreatment modeling for a variety of VGO feedstocks: A continuous lumping approach
de Oliveira et al. Simulating vacuum residue hydroconversion by means of Monte-Carlo techniques
Song et al. Modeling the hydrocracking process with deep neural networks
Sadighi et al. Optimizing an industrial scale naphtha catalytic reforming plant using a hybrid artificial neural network and genetic algorithm technique
Franzoi et al. An adaptive sampling surrogate model building framework for the optimization of reaction systems
Mojto et al. Data-based design of inferential sensors for petrochemical industry
CN101727609B (zh) 基于支持向量机的热裂解产物收率的预测方法
Chen et al. A mass-temperature decoupled discretization strategy for large-scale molecular-level kinetic model
JP7354477B1 (ja) プログラム、情報処理装置、及び方法
Papadokonstantakis et al. Variable selection and data pre-processing in NN modelling of complex chemical processes
Shi et al. Progress in kinetic predictions for complex reaction of hydrocarbons: from mechanism studies to industrial applications
CN115938502A (zh) 一种基于分子级反应机理的化工产物特性预测方法及系统
Khajah et al. Modeling and active constrained optimization of C5/C6 isomerization via Artificial Neural Networks
CN114708930A (zh) 一种基于层次基团构建的纯组分炼化性质的预测方法
JP2023094622A (ja) プログラム、情報処理装置、及び方法
Nguyen et al. A framework for developing a structure-based lumping kinetic model for the design and simulation of refinery reactors
Lukec et al. Prediction of sulphur content in the industrial hydrotreatment process
Su et al. Tracking the green coke production when co-processing lipids at a commercial fluid catalytic cracker (FCC): combining isotope 14 C and causal discovery analysis
Iplik Energy Savings for Petroleum Processing: Using Mathematical Models, Optimal Control and Diagnostics
Hamedi et al. Integrating artificial immune genetic algorithm and metaheuristic ant colony optimizer with two-dose vaccination and modeling for residual fluid catalytic cracking process
Luijten Machine learning for the implementation of microkinetics in reactor models
Becker et al. Improving Model Robustness with Transfer Learning for Product Property Models
Rodríguez-Fragoso et al. Methodology for the Interpretation of a Neural Network Model in Comparison to a Physical Model: A Fluid Catalytic Cracking Application

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230316

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230316

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20230316

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230602

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230721

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230913

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230920

R150 Certificate of patent or registration of utility model

Ref document number: 7354477

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150