Цель исследования – совершенствование процессов переработки углеводородного и химического сырья при изменении параметров технологического режима или компонентного состава сырья. В рамках исследования выполнено моделирование газофракционирующей установки действующего производства с использованием универсальной моделирующей программы Aspen Hysys V12. Для достижения поставленной цели на основе результатов моделирования была разработана модель машинного обучения в облачной среде программирования Google Colaboratory на языке программирования Python с использованием встроенных программных библиотек Pandas и Sklearn для машинного обучения и анализа данных. Модель предсказывает изменение доли выхода целевого продукта в зависимости от изменения рабочих параметров блока абсорбции, а именно расхода абсорбента и компонентного состава сырья. Полученный результат позволяет повысить эффективность процесса абсорбции на газофракционирующих установках. Процесс предсказания модели основан на методе линейной регрессии. Точность прогнозирования модели машинного обучения составила 99,4 %. Полученная модель является универсальным инструментом контроля с целью увеличения выхода целевого продукта на газофракционирующих установках, что делает ее полезной как с технической, так и с экономической точек зрения. Работа выполнена при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках государственного задания на оказание государственных услуг (выполнение работ) от 29.12.2022 г. No 075-01508-23-00. Тема исследования «Сверхкритические флюидные технологии в переработке полимеров».

The aim of the work is to improve the processing of hydrocarbon and chemical feedstock when changing the parameters of the technological mode or the component composition of the feedstock. Within the framework of the research the modeling of gas fractionation unit of the operating production was performed using the universal modeling program Aspen Hysys V12. To achieve the set goal, based on the results of modeling, a machine learning model was developed in the cloud programming environment Google Colaboratory in the Python programming language with the use of built-in software libraries Pandas and Sklearn for machine learning and data analysis. The model predicts the change in the yield fraction of the target product depending on changes in the operating parameters of the absorption unit, namely the absorbent flow rate and the component composition of the feedstock. The result obtained allows to increase the efficiency of the absorption process in gas fractionation units. The model prediction process is based on the linear regression method. The prediction accuracy of the machine learning model was 99.4 %. The obtained model is a universal control tool to increase the yield of the target product at gas fractionation plants, which makes it useful from both technical and economic points of view. The work was carried out with the financial support of the Ministry of Science and Higher Education of the Russian Federation within the framework of the state assignment for the provision of public services (performance of works) dated 12/29/2022, No. 075-01508-23-00. Research topic \"Supercritical fluid technologies in polymer processing\".