В современном мире процесс парового рифоминга является основополагающим процессом получения синтез-газа, занимающий на данный момент более 60 % рынка, что составляет более 100 млн. тонн в год [1]. Однако, не смотря на востребованность и изученность технологии, она до сих пор имеет ряд недостатков, связанные с неполнотой конверсии метана, составляющей около 75 %, значительным выделением СО ₂ в атмосферу, что соотносит получаемый водород в категорию «серый» по шкале экологической чистоты водорода. Данные недостатки непосредственно влияют на эффективность процесса, поэтому их устранение имеет высокий приоритет в рамках развития водородсодержащих технологий, имеющих высокую востребованность в транспортном и энергетическом секторах [1], [2], [3], [4], [5], [6]. Одним из перспективных путей решения данных задач может являться внедрение алгоритмов машинного обучения и интегрирование искусственного интеллекта в решении вопросов оптимизации и эффективности процесса [7].

Искусственный интеллект (ИИ) сегодня стал неотъемлемой частью, как в повседневной жизни, так и в промышленных рабочих процессах. ИИ применяется как инструмент для обработки больших массивов данных, позволяющих не только оптимизировать процессы, но и прогнозировать те или иные события, повышающих как эффективность, так и безопасность уже существующих процессов. Наиболее перспективным способом использования ИИ является изучение методов оптимизации технологий и разработка новых подходов к ведению технологических процессов с целью повышения эффективности или расширения возможностей процесса [7], [8], [9]. Данная технология уже находит практическое применение в задачах предсказания состава продуктов химических реакций и оптимизации компонентного состава катализаторов [10], [11]. Такие работы могут проходить по заранее созданным базам данных, таких компаний, как, к примеру, Open Reaction Database [12], доступ к которым можно получить только с помощью персонализированного API ключа [13]. Такие базы данных позволяют получать доступ к актуальной и верифицированной информации по различным химическим компонентам (включая их физические и термодинамические параметры), а также по технологическим процессам, в частности, условиям их проведения [12]. При отсутствии доступа к подобным цифровым платформам исследователь вынужден собирать собственные массивы сведений посредством проведения серии экспериментов или анализа открытых источников, однако такой путь заведомо более трудоемок и времязатратен.

Данная работа посвящена созданию нейронной сети, способной предсказывать продукты процесса парового риформинга и их физические и термодинамические свойства в зависимости от выбранного катализатора. В работе использовались данные из открытых источников, текстовый редактор Visual Studio Code, язык программирования Python с использованием таких библиотек, как numpy для работы с таблицами и создания массивов, scipy для различных вычислений в рамках машинного обучения и обучения нейронной сети, pyplot для визуализации расчетов и обучения. Для создания и обучения нейронной сети мы использовали skikit-learn из-за своей простоты и эффективности в рамках предиктивного анализа данных. Для удобного представления множества прогнозов нейронной сети в зависимости от условия проведения процесса была использована библиотека ipywidgets.

Для процесса парового риформинга в настоящее время оптимальными условиями проведения процесса являются диапазоны температур от 700 до 1000 °С и давления от 1,5 до 3,5 МПа в присутствии никелевых катализаторов на подложке из α-оксида алюминия с добавлением таких промоторов, как оксид калия, оксид кальция, оксид магния или диоксид церия [12], [13], [14].

Скорости химической реакции в таком случае принимают следующий вид:

где ;

;

;

;

;

;

— теплота адсорбции i-о компонента;

k _j — кинетическая константа скорости реакции j;

–Температурно-зависимая кинетическая константа скорости реакции j;

— Константа адсорбции i-о компонента;

— Эталонная константа адсорбции i-о вещества;

— Парциальное давление i-о вещества, бар.

Для начального обучения нейронной сети, представим по ранее описанным уравнениям математическую модель получения продуктов выполним расчет при 850 °С и 2,0 МПа. Полученные результаты представлены на рисунках 1 и 2.

Рис. 1. Расчет процесса парового риформинга при 850 °С и 2,0 МПа

Для более реалистичного моделирования процесса и его продуктов, необходимо также добавить возможность прогнозирования свойств компонентов смеси и продукта реакции согласно выбранной системе термодинамических уравнений. С учетом упомянутых условий процесса, были выбраны уравнения Пенга-Робинсона, которые позволят рассчитывать плотность, коэффициент сжимаемости, энтропию, энтальпию и энергию Гиббса продуктов реакции согласно следующим уравнениям [15]:

где ;

;

;

;

;

T _c и P _{C —} критические температура и давления, типичные значения которых представлены в таблице 1 для используемых в процессе компонентов;

— ацентрический фактор, типичные значения которого представлены в таблице 1 для используемых в процессе компонентов.

Таблица 1

Стандартные данные для компонентов по [16]

Массовая плотность компонентов и смесей вычисляются по следующему уравнению:

Энтальпия вычисляется по следующей формуле:

где — это энтальпия отклонения;

Z, B, b — параметра из уравнения состояния;

— производная параметра притяжения по температуре, которая вычисляется по следующей формуле:

Энтропия вычисляется по следующей формуле:

где — это остаточная энтропия.

Полная молярная энергия Гиббса рассчитывается по следующей формуле:

где — это остаточная энергия Гиббса;

.

В рамках работы также была реализована возможность прогнозирования свойств и продуктов реакции в зависимости от выбранного катализатора, от выбора которого, на данный момент, учитывается только фактор эффективности конверсии метана.

В целях распределения нагрузки расчетов, было принято решение создать две нейросетевые модели, первая из которых прогнозирует продукты реакции с учетом выбранных параметров процесса, вторая на основе результатов первой будет предсказывать свойства компонентов и продуктов реакции.

Архитектура нейросетевой модели создана из слоев по типу Linear и ReLU. Графическая визуализация архитектуры модели представим на рисунке 2.

Рис. 2. Графическое представление архитектуры нейросетевой модели

В рамках работы было создано 20500 образцов симуляции, в которых учитывались условия процесса, такие как температура, давление, состав продукта. На основе созданной базы данных было выполнено суммарно более 800 эпох обучения. К примеру, на рисунке 3 представим карту %MAPE прогнозирования %конверсии метана в зависимости от давления и температуры.

Рис. 3. Тепловая карта %MAPE %конверсии метана в зависимости от температуры и давления

Полученные результаты показывают, что наибольшие значения погрешности MAPE наблюдаются при граничных условиях, где протекание целевого процесса парового риформинга термодинамически затруднено. Это указывает на наложение побочных реакций (в частности, коксообразования) на основной процесс. Для снижения погрешности MAPE необходимо расширить обучающую выборку новой информацией, а также интегрировать в алгоритм искусственного интеллекта систему уравнений, описывающих кинетику побочных реакций. В таком случае разработанная модель перестанет ограничиваться рамками одного базового сценария и начнет учитывать условия, при которых превалируют побочные процессы. Реализация данного подхода позволит более глубоко изучить методы повышения как эффективности, так и безопасности технологического процесса.

На данный момент, созданная нами нейросетевая модель способна предсказывать продукты реакции, их физические и термодинамические свойства с учетом выбранного катализатора. Приведем на рисунках 4 и 5 примеры вывода результатов проведенного расчета при различных условиях проведения процесса.

Рис. 4. Первый пример результатов прогнозирования нейронных сетей

Рис. 5. Второй пример результатов прогнозирования нейронных сетей

Таким образом появляется возможность анализировать и представлять полученные результаты прогнозирования искусственного интеллекта в реальном времени с помощью слайдеров в удобном для пользователя формате.

Вывод

Вданной работе был представлен процесс реализации нейросетевой модели, способной предсказывать продукты реакции парового риформинга с учетом температуры, давления и выбранного катализатора. На данный момент, ИИ способен прогнозировать продукты реакции, %конверсии метана, их физические и термодинамические свойства. В дальнейшем предполагается учет в прогнозе продуктов реакции в зависимости от выбранного активного вещества и формы катализатора. Также рассматривается внедрение систем математических уравнений, рассчитывающих скорости побочных реакций и определение возможного перекрывания основной химической реакции.

Литература:

1. Министерская конференция по чистой энергии, Глобальный обзор по водороду — 2025 [Электронный ресурс] — URL: https://www.cleanenergyministerial.org/resource/global-hydrogen-review-2025 (Дата обращения 20.05.2026).
2. Классификация водорода по цвету [Электронный ресурс] — URL: https://neftegaz.ru/tech-library/energoresursy-toplivo/672526-klassifikatsiya-vod oroda-po-tsvetu/ (Дата обращения 20.05.2026).
3. Исматов, Ж. Ф. Водород — топливо будущего / Ж. Ф. Исматов, В. Р. Аширов, М. Х. Садуллаев // Достижения науки и образования — 2019 – С. 7–8.
4. Мезаал, Н. А. Паровая конверсия метана и пиролиз метана с захоранением и улавливанием CO ₂ на энергетическом объекте / Н. А. Мезаал, А. А. Калютик, К. А. Али, Б. Х. Расоол // Международный научно-исследовательский журнал — 2024 — Т. 2 — № 2 — C. 1–9.
5. Чжу, Л. Модифицированный процесс преодоления недостатков традиционного парового риформинга метана для производства водорода: термодинамическое исследование / Л. Чжу, Л. Ли, Дж. Фань // Исследование и проектирование в области химической инженерии — 2015 — Т. 104 – С. 792–806.
6. Распространенные проблемы парового риформинга [Электронный ресурс] — URL: https://www.academia.edu/10165613/Steam_Reforming_ Common_Problems (Дата обращения: 20.05.2026).
7. Optimization of a Steam Reforming Plant Modeled with Artificial Neural Networks / E. G. Pardo, J. Blanco-Linares, D. Velázquez, F. Serradilla. — Текст: непосредственный // Electronics. — 2020. — № 9. DOI: https://doi.org/10.3390/electronics9111923
8. Hydrogen 4.0: A Cyber–Physical System for Renewable Hydrogen Energy Plants / A. Yavari, C. J. Harrison, S. A. Gorji, M. Shafiei. — Текст: непосредственный // Sensors. — 2024. — № 10. DOI: 10.3390/s24103239
9. Naanani, H. Advancing hydrogen safety and reliability through digital twins: Applications, models, and future prospects / H. Naanani, M. Nachtane, A. Faik // International Journal of Hydrogen Energy. — 2025. — Vol. 115. — P. 344–360. — DOI: 10.1016/j.ijhydene.2025.02.440.
10. Богославский, С. Н., Область применения искусственных нейронных сетей и перспективы их развития / С. Н. Богославский; Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета — 2007. — № 27 — C. 127–135.
11. Кравцов, А. В. Прогнозирование технологических свойств Pt-катализаторов процесса риформинга с использованием интеллектуальной компьютерной системы / А. В. Кравцов, Э. Д. Иванчина и др. // Известия Томского политехнического университета — Томск. — 2005. — С. 114–118.
12. Жемулина, М. С. Подбор состава катализатора в химической промышленности на основе модели нейронной сети / М. С. Жемулина и С. М. Каратун // Инновации. Наука. Образование. — 2021. — № 32. – С. 1580–1587.
13. Открытая база данных реакций [Электронный ресурс] — URL: https://open-reaction-database.org/about (Дата обращения: 20.05.2026).
14. API-интерфесы машинного обучения [Электронный ресурс] — URL: https://kanerika.com/glossary/machine-learning-apis/ (Дата обращения: 20.05.2026).
15. Севестр, К. Моделирование термодинамических свойств H ₂ и смесей на его основе с использованием трехпараметрического кубического уравнения состояния / К. Севестр, С. Чабаб, Ж. Брокус, К. Кокле // International Journal of Hydrogen Energy. — 2025. — Vol. 101. — P. 468–483. –DOI: 10.1016/j.ijhydene.2024.12.288.
16. «NIST Chemistry WebBook», [Электронный ресурс]. URL: https://webbook.nist.gov/chemistry/. (Дата обращения: 20.05.2026).