Ein chinesisches Forschungsteam hat kürzlich Forschungsergebnisse zur Optimierung von katalytischen Crackprozessen in der Erdölindustrie mithilfe von Künstlicher Intelligenz veröffentlicht. Die Studie untersucht, wie die Sicherheit, Effizienz und Umweltverträglichkeit der Schwerölverarbeitung durch KI-Technologien wie neuronale Netze verbessert werden können. Der entsprechende Artikel wurde am 7. April in der Fachzeitschrift *Big Data Mining and Analysis* publiziert.

Das Fluid Catalytic Cracking (FCC), ein Schlüsselprozess der Erdölraffination, spielt eine entscheidende Rolle bei der Umwandlung von Schweröl in Produkte wie Benzin. Fan Yang, Forscher an der Fakultät für Informatik der Sichuan-Universität und Erstautor der Studie, betont: „Sicherheit, Effizienz und Umweltschutz sind die Kernziele der Erdölverarbeitung. Unsere aktuelle Forschung konzentriert sich auf die Früherkennung von Betriebsstörungen, die Analyse und Optimierung der Produktausbeute sowie die Analyse und Optimierung der Rauchgasentschwefelung. Ziel ist es, die Sicherheit, Effizienz und den Umweltschutz in der Erdölverarbeitung kontinuierlich zu verbessern.“

Das Forschungsteam nutzte neuronale Netze, um den Datenverarbeitungsmechanismus des menschlichen Gehirns zu simulieren und so mithilfe vernetzter Knotenpunkte eine Vielzahl von Prozessparametern wie Temperatur und Dampfausbeute schnell zu analysieren. Mao Xu, Forscher am New Hope Liuhe Data Intelligence Laboratory, erklärte: „Fortschritte in der industriellen Datenerfassungstechnologie ermöglichen es uns, mehr Daten für die Analyse zu gewinnen. Die Entwicklung künstlicher Intelligenz erlaubt uns, diese Daten präziser zu analysieren.“ Dieser datengetriebene Ansatz kann hochdimensionale Probleme automatisch bewältigen und nichtlineare Zusammenhänge zwischen verschiedenen Variablen aufdecken.

Durch die Kombination von maschinellem Lernen mit traditionellen mechanistischen Modellen haben Forscher ein präziseres Prozessvorhersagemodell entwickelt. Fan Yang ergänzte: „Neuronale Netze können die hochdimensionalen, nichtlinearen Eigenschaften katalytischer Crackprozesse effektiv bewältigen und erzielen so bessere Ergebnisse in der Prozessanalyse und -optimierung. Dies bietet erhebliche Vorteile.“ Das Forschungsteam plant, das simulationsvalidierte neuronale Netz in der nächsten Phase in einer realen Produktionsumgebung zu testen.

Forscher gehen davon aus, dass auf künstlicher Intelligenz basierende Hybridmodelle eine wichtige technologische Richtung in der chemischen Industrie darstellen werden. Fan Yang erklärte: „Zukünftige Forschungsarbeiten werden voraussichtlich Hybridmodelle, die mechanistische Modelle und Algorithmen der künstlichen Intelligenz kombinieren, zu leistungsstarken Werkzeugen für eine umfassendere und genauere Analyse chemischer Prozesse und die Vorhersage von Produktionsergebnissen werden. Diese Methoden werden eine wichtige Rolle für die zukünftige Entwicklung der chemischen Industrie spielen und von enormem Wert sein.“