Исследование методов модельной оценки свойств нефтяного кокса по параметрам сырья и технологического режима

В рамках проекта по созданию гибридного цифрового двойника (PI-ML) для управления процессом замедленного коксования критически важным является переход от классификации типа продукта к количественному прогнозу его ключевых потребительских свойств. Данная работа посвящена сравнительному анализу эффективности методов машинного обучения для решения задачи множественной регрессии четырех критически важных свойств нефтяного кокса: пористости, содержания серы, прочности и истинной плотности. На основе исторических промышленных данных, включающих параметры сырья и технологического режима, были обучены, настроены и протестированы три модели: искусственная нейронная сеть – многослойный персептрон, метод опорных векторов для регрессии и градиентный бустинг. Результаты, полученные на независимой тестовой выборке, показали, что нейросетевая модель превосходит остальные, обеспечивая средний коэффициент детерминации равный 0,93. Все методы продемонстрировали высокую практическую пригодность, подтвердив наличие устойчивых статистических закономерностей. Разработанные модели формируют ключевой интеллектуальный модуль прогнозного контроля качества в архитектуре цифрового двойника, обеспечивая основу для систем предиктивного управления и оптимизации технологического режима.