Способ оценки состояния кожухотрубчатых теплообменников с применением машинного обучения для повышения энергоэффективности
Автор: Тугашова Л.Г., Затонский А.В.
Журнал: Advanced Engineering Research (Rostov-on-Don) @vestnik-donstu
Рубрика: Информатика, вычислительная техника и управление
Статья в выпуске: 2 т.26, 2026 года.
Бесплатный доступ
Введение. Кожухотрубчатые теплообменники широко применяются на установках подготовки и переработки нефти, а также в системах теплоснабжения, где их надежная работа во многом определяется интенсивностью термического загрязнения поверхности труб. В связи с этим актуальной задачей является своевременное определение момента, когда теплообменному оборудованию требуется техническое обслуживание, поскольку накопление отложений приводит к снижению эффективности теплопередачи и росту эксплуатационных затрат. Анализ литературных источников показывает, что проблема прогнозирования загрязнения теплообменных аппаратов достаточно активно исследуется. Однако существующие подходы, ориентированные на учет режимных параметров и физико-химических свойств теплоносителей, не всегда применимы к специфическим условиям нефтепереработки, где состав сырья, режимы эксплуатации и характер отложений существенно отличаются от типовых промышленных процессов. Таким образом, сохраняется пробел в научных знаниях, связанный с недостаточной разработанностью моделей, позволяющих надежно описывать изменение термического сопротивления загрязнений и коэффициента теплопередачи именно для кожухотрубчатых теплообменников нефтеперерабатывающих установок. Целью настоящего исследования является определение зависимости коэффициентов термического сопротивления загрязнений и теплопередачи от режимных параметров — в частности, от выходных температур теплоносителей и плотности нефти. Для достижения поставленной цели предполагается применение методов машинного обучения, позволяющих построить более адекватные прогностические модели и тем самым повысить обоснованность решений по техническому обслуживанию теплообменного оборудования. Материалы и методы. В качестве объекта исследования рассмотрен кожухотрубчатый теплообменник установки переработки нефти малой мощности, в котором циркуляционное орошение дизельного топлива (210–235 °С) выступает горячим теплоносителем в межтрубном пространстве, а нефть — холодным теплоносителем в трубном пучке. Для расчета определялись площади сечений трубного и межтрубного пространств, линейные скорости потоков, критерии Рейнольдса, Прандтля и Нуссельта, а также коэффициенты теплоотдачи со стороны горячего и холодного теплоносителей. Коэффициент теплопередачи рассчитывался с учетом термического сопротивления стенки и загрязнений, теплообмен — по уравнениям теплового баланса и теплопередачи. Для оценки термического сопротивления загрязнений и коэффициента теплопередачи использовались методы машинного обучения и символьной регрессии, в том числе PySR, SISSO, FROLS и CatBoostRegressor, на основе данных о плотности нефти и температуре теплоносителей. Поверочный расчет теплообменника выполнен методом последовательных приближений с решением системы нелинейных уравнений в Matlab. Результаты исследования. Поверочный расчёт кожухотрубчатого теплообменника для нефти трёх месторождений показал, что при росте термического сопротивления загрязнений от 0 до 0,002 (м²·°С)/Вт коэффициент теплопередачи снижается примерно с 93–95 до 81–83 Вт/(м²·°С). Установлено, что изменение выходных температур теплоносителей служит информационной основой для идентификации загрязнений. Методами символьной регрессии SISSO и PySR получены аналитические зависимости термического сопротивления от плотности нефти и выходных температур с RMSE 1,25⋅10⁻⁸ и 2,34⋅10⁻⁸ (м²·°С)/Вт соответственно. Для прогнозирования динамики теплопередачи построены NARX-модели на базе FROLS и CatBoostRegressor, валидированные на промышленных данных. Ошибка постпрогноза для алгоритма CatBoostRegressor RMSE = 0,03573 Вт/(м²∙°С), для алгоритма FROLS RMSE = 0,01296 Вт/(м²∙°С). Обсуждение. Снижение коэффициента теплопередачи на 13 % при росте термического сопротивления загрязнений до 0,002 (м²·°С)/Вт согласуется с теоретическими моделями и экспериментальными данными других исследователей. Применение методов SISSO и PySR обеспечило существенно более высокую точность по сравнению с нейросетевыми подходами при малых обучающих выборках. Алгоритм FROLS превзошёл CatBoostRegressor по точности постпрогноза динамики коэффициента теплопередачи, что объясняется компактностью полиномиальной модели и гладким характером исследуемого процесса. Установленный порог снижения коэффициента теплопередачи на 25 % соответствует отраслевым нормам и обеспечивает переход к обслуживанию оборудования по фактическому состоянию. Заключение. Разработана методика определения термического сопротивления загрязнений теплообменника по выходной температуре теплоносителей и плотности нефти. Методами символьной регрессии SISSO и PySR получены аналитические зависимости с RMSE 1,25⋅10⁻⁸ (м²·°С)/Вт и 2,34⋅10⁻⁸ (м²·°С)/Вт. Построены NARX-модели прогнозирования коэффициента теплопередачи (RMSE 0,01296 и 0,03573 Вт/(м²·°С), валидированные на промышленных данных.
Кожухотрубчатый теплообменник, термическое сопротивление, коэффициент теплопередачи, символьная регрессия
Короткий адрес: https://sciup.org/142248168
IDR: 142248168 | УДК: 681.5:004.942 | DOI: 10.23947/2687-1653-2026-26-2-2237
Machine Learning-Based Condition Assessment Method for Shell-and-Tube Heat Exchangers to Improve Energy Efficiency
Introduction. Shell-and-tube heat exchangers are widely used in oil treatment and refining plants, as well as in heating systems, where their reliable operation is largely determined by the intensity of thermal fouling on the tube surface. Therefore, it is crucial to promptly determine when heat exchange equipment requires maintenance, as deposit accumulation can result in the reduced heat transfer efficiency and increased operating costs. A review of the literature shows that the problem of predicting heat exchanger fouling is being actively researched. However, existing approaches, which focus on process parameters and the physicochemical properties of heat transfer fluids, are not always applicable to the specific conditions of oil refining, where feedstock composition, operating conditions, and deposit nature differ significantly from typical industrial processes. Thus, there remains a gap in scientific knowledge associated with the insufficient development of models that allow for the reliable description of changes in the thermal resistance of contaminants, and the heat transfer coefficient specifically for shell-and-tube heat exchangers of oil refineries. The objective of this study is to determine the dependence of the coefficients of thermal resistance of contaminants and heat transfer on operating parameters, in particular, on the output temperatures of coolants and oil density. For this, it is planned to use machine learning methods to build more adequate predictive models and thereby increase the validity of decisions on the maintenance of heat exchange equipment. Materials and Methods. A shell-and-tube heat exchanger in a small refinery unit was investigated. Here, circulating diesel reflux (210–235 °C) was the hot medium on the shell side, and oil was the cold medium in the tube bundle. For the calculation, the cross-sectional areas of the tube and annular spaces, linear flow rates, Reynolds, Prandtl, and Nusselt criteria, as well as the heat transfer coefficients of the hot and cold coolants were determined. The heat transfer coefficient was calculated taking into account the thermal resistance of the wall and contaminants, while heat transfer was calculated from heat balance and heat transfer equations. Machine learning and symbolic regression methods, including PySR, SISSO, FROLS, and CatBoostRegressor, were used to estimate the thermal resistance of contaminants and the heat transfer coefficient, based on oil density and coolant temperature data. The verification calculation of the heat exchanger was performed by the method of successive approximations with the solution to a system of nonlinear equations in Matlab. Results. A verification calculation of a shell-and-tube heat exchanger for oil from three fields showed that with an increase in the thermal resistance of contaminants from 0 to 0.002 (m²·°С)/W, the heat transfer coefficient decreased from approximately 93–95 to 81–83 W/(m²·°С). It was established that changes in the outlet temperatures of the coolants was an information basis for identifying contaminants. Using the SISSO and PySR symbolic regression methods, analytical dependences of thermal resistance on oil density and outlet temperatures were obtained with RMSE 1.25⋅10⁻⁸ and 2.34⋅10–8 (m²·°С)/W, respectively. To predict the dynamics of heat transfer, NARX models based on FROLS and CatBoostRegressor were built, validated on industrial data. Ex-post forecast error for the algorithm CatBoostRegressor RMSE = 0.03573 W/(m²∙°С), for the algorithm FROLS RMSE = 0.01296 W/(m²∙°С). Discussion. A 13% reduction in heat transfer coefficient with an increase in contaminant thermal resistance to 0.002 (m²·°С)/W was consistent with theoretical models and experimental data from other researchers. The use of SISSO and PySR methods provided significantly higher accuracy compared to neural network approaches with small training sets. The FROLS algorithm outperformed CatBoostRegressor in the accuracy of ex-post forecast of heat transfer coefficient dynamics, which is explained by the compactness of the polynomial model and the smooth nature of the process under study. The established threshold for reducing the heat transfer coefficient by 25% complies with industry standards and provides the transition to equipment maintenance based on actual condition. Conclusions. A method for determining the thermal resistance of heat exchanger fouling based on the outlet temperature of the coolant and the oil density was developed. Analytical relationships with RMSE 1.25⋅10⁻⁸ (m²·°С)/W and 2.34⋅10⁻⁸ (m²·°С)/W were obtained using the SISSO and PySR symbolic regression methods. NARX models for predicting heat transfer coefficients (RMSE 0.01296 and 0.03573 W/(m²·°С) were built and validated using industrial data.
