Artificial Intelligence for Hybrid Modeling in Fluid Catalytic Cracking (FCC)
Notice bibliographique
Résumé
This study reports a novel hybrid model for the prediction of six critical process variables of importance in an industrial-scale FCC (fluid catalytic cracking) riser reactor: vacuum gas oil (VGO) conversion, outlet riser temperature, light cycle oil (LCO), gasoline, light gases, and coke yields. The proposed model is developed via the integration of a computational particle-fluid dynamics (CPFD) methodology with artificial intelligence (AI). The adopted methodology solves the first principle model (FPM) equations numerically using the CPFD Barracuda Virtual Reactor 22.0® software. Based on 216 of these CPFD simulations, the performance of an industrial-scale FCC riser reactor unit was assessed using VGO catalytic cracking kinetics developed at CREC-UWO. The dataset obtained with CPFD is employed for the training and testing of a machine learning (ML) algorithm. This algorithm is based on a multiple output feedforward neural network (FNN) selected to allow one to establish correlations between the riser reactor feeding conditions and its outcoming parameters, with a 0.83 averaged regression coefficient and an overall RMSE of 1.93 being obtained. This research underscores the value of integrating CPFD simulations with ML to optimize industrial processes and enhance their predictive accuracy, offering significant advancements in FCC riser reactor unit operations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».