JP7706905B2 - Catalyst design method and catalyst design device for fluid catalytic cracking catalyst, and trained model for catalyst design used therein - Google Patents
Catalyst design method and catalyst design device for fluid catalytic cracking catalyst, and trained model for catalyst design used therein Download PDFInfo
- Publication number
- JP7706905B2 JP7706905B2 JP2021048912A JP2021048912A JP7706905B2 JP 7706905 B2 JP7706905 B2 JP 7706905B2 JP 2021048912 A JP2021048912 A JP 2021048912A JP 2021048912 A JP2021048912 A JP 2021048912A JP 7706905 B2 JP7706905 B2 JP 7706905B2
- Authority
- JP
- Japan
- Prior art keywords
- catalyst
- evaluation data
- design
- virtual
- catalyst design
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Description
本発明は、機械学習を用いた流動接触分解（ＦＣＣ）触媒の触媒設計方法及び触媒設計装置並びにこれらで用いる触媒設計用学習済みモデルに関する。 The present invention relates to a catalyst design method and catalyst design device for fluid catalytic cracking (FCC) catalysts using machine learning, as well as a trained model for catalyst design used therein.
従来、触媒を構成するゼオライトや活性アルミナなどの機能材料の構造を試行錯誤によって最適化することで、原料油や石油精製装置の運転条件などに適切な流動接触分解（ＦＣＣ）触媒の設計が行われていた。 Conventionally, fluid catalytic cracking (FCC) catalysts suitable for feedstock oils and the operating conditions of oil refineries have been designed by optimizing the structures of functional materials such as zeolite and activated alumina that make up the catalyst through trial and error.
ＦＣＣ触媒は、常圧残油や減圧軽油等の重質油からガソリンなどの付加価値の高い軽質油を生産するＦＣＣ装置で用いられる触媒である。ＦＣＣ装置での製造対象は、ガソリンやプロピレンなどであるが、これらは市況の変化等により求められる量が大きく変化し、例えば、ガソリンを最大化したい場合や、プロピレンを最大化したい場合など、その時により、必要とされるＦＣＣ触媒も変化してしまう。 FCC catalysts are used in FCC units that produce high-value light oils such as gasoline from heavy oils such as atmospheric residual oil and vacuum diesel. The products manufactured in FCC units are gasoline and propylene, but the amounts required for these vary greatly depending on changes in market conditions, and the FCC catalyst required will change depending on the situation, for example, when you want to maximize gasoline or propylene.
このため、市況の変化等に応じて、タイムリーに、最適なＦＣＣ触媒を提供することが求められている。 Therefore, there is a need to provide optimal FCC catalysts in a timely manner in response to changes in market conditions, etc.
しかしながら、試行錯誤による最適化作業では、求められている性能に最適なＦＣＣ触媒を、迅速に設計することは困難であった。
このため、近年では、例えば、特許文献１などに開示されるように、特定のパラメータに基づき、複数種類の触媒毎に得られる各生成物の生成量を算出し、各生成物の有用性に応じた重み付けに応じて、ＦＣＣ装置で利用する推奨触媒を提案する方法が提案されている。
However, it has been difficult to rapidly design an FCC catalyst that is optimal for the required performance through trial and error optimization work.
For this reason, in recent years, a method has been proposed in which the amount of each product obtained from each of multiple types of catalysts is calculated based on specific parameters, and a recommended catalyst to be used in the FCC unit is proposed based on weighting according to the usefulness of each product, as disclosed in, for example, Patent Document 1.
また、人口知能を自然科学に適用し、触媒開発を加速させる触媒インフォマティクスと呼ばれる研究も盛んに行われており、例えば、非特許文献１に開示されるように、プラットフォーム上に触媒データをアップロードすることで、機械学習による触媒設計を可能とするシステムも提案されている。 In addition, active research is being conducted on catalyst informatics, which applies artificial intelligence to natural sciences to accelerate catalyst development. For example, as disclosed in Non-Patent Document 1, a system has been proposed that enables catalyst design through machine learning by uploading catalyst data onto a platform.
しかしながら、例えば、ガソリン収率を最大化することと、コーク収率を最小化することとは、トレードオフの関係にある。さらには、ＦＣＣ装置を効率的に動作させるためには、ガソリン収率やコーク収率だけでなく、ボトム収率の最小化やドライガス収率の最小化といった他の要素についても同時に満たす必要があり、重み付けの設定が非常に難しい。 However, for example, there is a trade-off between maximizing gasoline yield and minimizing coke yield. Furthermore, to operate an FCC unit efficiently, it is necessary to simultaneously satisfy not only gasoline yield and coke yield, but also other factors such as minimizing bottoms yield and dry gas yield, making it extremely difficult to set the weighting.
また、一概に機械学習による触媒設計と言っても、十分な量の触媒データを用いて学習を行わなければ、精度の良い結果を得ることはできず、設計した触媒の各収率の改善幅は、十分とは言えないものとなる。 In addition, even if we generally talk about catalyst design using machine learning, unless a sufficient amount of catalyst data is used for learning, it is not possible to obtain accurate results, and the improvement in each yield of the designed catalyst will not be sufficient.
本発明では、このような現状に鑑み、ＦＣＣ装置において石油精製を行うにあたり、原料油や運転条件が異なる場合において、最適なＦＣＣ触媒を迅速に設計することが可能なＦＣＣ触媒の触媒設計方法及び触媒設計装置並びにこれらで用いる触媒設計用学習済みモデルを提供することを目的とする。 In view of the current situation, the present invention aims to provide a catalyst design method and catalyst design device for FCC catalysts that can rapidly design optimal FCC catalysts when different feedstocks and operating conditions are used in oil refining in an FCC unit, as well as a trained model for catalyst design used therein.
本発明は、上述するような従来技術における課題を解決するために発明されたものであって、本発明は、例えば、以下の態様を含む。 The present invention was invented to solve the problems in the prior art as described above, and includes, for example, the following aspects:
［１］ 触媒設計条件と、実験により取得された触媒の性能評価データとが関連付けられた触媒評価データを用いてシミュレーションモデルを作成し、
該シミュレーションモデルと、実験計画法に基づき生成された複数の仮想触媒設計条件とに基づいて、該仮想触媒設計条件による触媒の仮想性能評価データを算出することで、仮想性能評価データと仮想触媒設計条件とが関連付けられた仮想触媒評価データを生成し、
前記性能評価データと前記仮想触媒評価データとを用いて、多目的最適化を行うことにより、触媒設計用学習済みモデルを生成し、
新たな触媒設計条件と、前記触媒設計用学習済みモデルとを用いて、触媒の性能評価データを算出する触媒設計方法。
[1] Creating a simulation model using catalyst evaluation data in which catalyst design conditions and catalyst performance evaluation data obtained by experiments are associated with each other;
Based on the simulation model and a plurality of virtual catalyst design conditions generated based on an experimental design method, virtual performance evaluation data of a catalyst under the virtual catalyst design conditions is calculated, thereby generating virtual catalyst evaluation data in which the virtual performance evaluation data and the virtual catalyst design conditions are associated with each other;
Using the performance evaluation data and the virtual catalyst evaluation data, multi-objective optimization is performed to generate a trained model for catalyst design;
A catalyst design method for calculating catalyst performance evaluation data using new catalyst design conditions and the learned model for catalyst design.
［２］ 前記性能評価データのうちの一部のモデル作成用データを用いて前記シミュレーションモデルを作成し、
残りの精度確認用データを用いて、前記触媒設計用学習済みモデルの精度確認を行う項［１］に記載の触媒設計方法。
[2] Creating the simulation model using model creation data that is a part of the performance evaluation data,
The catalyst design method according to item [1], wherein the remaining accuracy confirmation data is used to confirm the accuracy of the trained model for catalyst design.
［３］ 前記シミュレーションモデルを、応答曲面法に基づき作成する項［１］または［２］に記載の触媒設計方法。 [3] The catalyst design method according to item [1] or [2], in which the simulation model is created based on response surface methodology.
［４］ 前記多目的最適化を、多目的遺伝的アルゴリズムに基づき行う項［１］から［３］のいずれかに記載の触媒設計方法。 [4] The catalyst design method according to any one of items [1] to [3], in which the multi-objective optimization is performed based on a multi-objective genetic algorithm.
［５］ 演算手段と、記憶手段と、入出力手段と、を有する触媒の触媒設計装置であって、
前記記憶手段は、触媒設計条件と、実験により取得された触媒の性能評価データとが関連付けられた触媒評価データが複数記憶され、
前記演算手段は、
前記触媒評価データを用いてシミュレーションモデルを作成し、
該シミュレーションモデルと、実験計画法に基づき生成された複数の仮想触媒設計条件とに基づいて、該仮想触媒設計条件による触媒の仮想性能評価データを算出することで、仮想性能評価データと仮想触媒設計条件とが関連付けられた仮想触媒評価データを生成し、
前記性能評価データと前記仮想触媒評価データとを用いて、多目的最適化を行うことにより、触媒設計用学習済みモデルを生成するように構成され、
さらに、前記演算手段は、
前記入出力手段によって入力された触媒設計条件と、前記触媒設計用学習済みモデルとに基づいて、触媒の性能評価データを算出し、算出された性能評価データを前記入出力手段によって出力するように構成される触媒設計装置。
[5] A catalyst design device for a catalyst having a calculation means, a storage means, and an input/output means,
the storage means stores a plurality of catalyst evaluation data in which catalyst design conditions are associated with performance evaluation data of the catalyst obtained by an experiment;
The calculation means includes:
A simulation model is created using the catalyst evaluation data,
Based on the simulation model and a plurality of virtual catalyst design conditions generated based on an experimental design method, virtual performance evaluation data of a catalyst under the virtual catalyst design conditions is calculated, thereby generating virtual catalyst evaluation data in which the virtual performance evaluation data and the virtual catalyst design conditions are associated with each other;
The method is configured to generate a trained model for catalyst design by performing multi-objective optimization using the performance evaluation data and the virtual catalyst evaluation data;
Furthermore, the calculation means
A catalyst design device configured to calculate catalyst performance evaluation data based on the catalyst design conditions input by the input/output means and the learned model for catalyst design, and to output the calculated performance evaluation data by the input/output means.
［６］ 前記演算手段は、
前記性能評価データのうちの一部のモデル作成用データを用いて前記シミュレーションモデルを作成し、
残りの精度確認用データを用いて、前記触媒設計用学習済みモデルの精度確認を行うように構成される項［５］に記載の触媒設計装置。
[6] The calculation means:
creating the simulation model using model creation data that is a part of the performance evaluation data;
The catalyst design device according to item [5], configured to confirm the accuracy of the trained model for catalyst design using the remaining accuracy confirmation data.
［７］ 前記演算手段は、
前記シミュレーションモデルを、応答曲面法に基づき作成するように構成される項［５］または［６］に記載の触媒設計装置。
[7] The calculation means:
The catalyst design device according to item [5] or [6], wherein the simulation model is created based on a response surface methodology.
［８］ 前記多目的最適化を、多目的遺伝的アルゴリズムに基づき行う項［５］から［７］のいずれかに記載の触媒設計装置。 [8] The catalyst design device according to any one of items [5] to [7], in which the multi-objective optimization is performed based on a multi-objective genetic algorithm.
［９］ 触媒設計条件と、実験により取得された触媒の性能評価データとが関連付けられた触媒評価データを用いてシミュレーションモデルを作成し、
該シミュレーションモデルと、実験計画法に基づき生成された複数の仮想触媒設計条件とに基づいて、該仮想触媒設計条件による触媒の仮想性能評価データを算出することで、仮想性能評価データと仮想触媒設計条件とが関連付けられた仮想触媒評価データを生成し、
前記性能評価データと前記仮想触媒評価データとを用いて、多目的最適化を行うことにより生成された触媒設計用学習済みモデル。
[9] Creating a simulation model using catalyst evaluation data in which catalyst design conditions and catalyst performance evaluation data obtained by experiments are associated with each other;
Based on the simulation model and a plurality of virtual catalyst design conditions generated based on an experimental design method, virtual performance evaluation data of a catalyst under the virtual catalyst design conditions is calculated, thereby generating virtual catalyst evaluation data in which the virtual performance evaluation data and the virtual catalyst design conditions are associated with each other;
A trained model for catalyst design generated by performing multi-objective optimization using the performance evaluation data and the virtual catalyst evaluation data.
［１０］ 前記性能評価データのうちの一部のモデル作成用データを用いて前記シミュレーションモデルを作成し、
残りの精度確認用データを用いて、前記触媒設計用学習済みモデルの精度確認を行う項［９］に記載の触媒設計用学習済みモデル。
[10] Creating the simulation model using model creation data that is a part of the performance evaluation data,
The trained model for catalyst design according to item [9], wherein the accuracy of the trained model for catalyst design is confirmed using the remaining accuracy confirmation data.
［１１］ 前記シミュレーションモデルを、応答曲面法に基づき作成する項［９］または［１０］に記載の触媒設計用学習済みモデル。 [11] The trained model for catalyst design described in item [9] or [10], in which the simulation model is created based on response surface methodology.
［１２］ 前記多目的最適化を、多目的遺伝的アルゴリズムに基づき行う項［９］から［１１］のいずれかに記載の触媒設計用学習済みモデル。 [12] A trained model for catalyst design according to any one of items [9] to [11], in which the multi-objective optimization is performed based on a multi-objective genetic algorithm.
本発明によれば、実験により得られた性能評価データに加えて、仮想性能評価データも用いて機械学習を行うことにより、互いにトレードオフの関係にあるガソリン収率やボトム収率、コーク収率、ドライガス収率などを大きく改善させることができ、より適切なＦＣＣ触媒を迅速に設計することができる。 According to the present invention, by performing machine learning using virtual performance evaluation data in addition to performance evaluation data obtained through experiments, it is possible to significantly improve gasoline yield, bottom yield, coke yield, dry gas yield, etc., which are in a trade-off relationship with each other, and to rapidly design more suitable FCC catalysts.
以下、本発明の実施の形態（実施例）を図面に基づいて、より詳細に説明する。
図１は、本実施形態における流動接触分解（ＦＣＣ）触媒の触媒設計装置の構成を説明するための模式図である。
Hereinafter, embodiments (examples) of the present invention will be described in more detail with reference to the drawings.
FIG. 1 is a schematic diagram for explaining the configuration of a catalyst design device for a fluid catalytic cracking (FCC) catalyst in this embodiment.
図１に示すように、本実施形態におけるＦＣＣ触媒の触媒設計装置１０は、演算手段２０と、記憶手段３０と、入出力手段４０と、を有するコンピュータにより構成される。 As shown in FIG. 1, the catalyst design device 10 for an FCC catalyst in this embodiment is composed of a computer having a calculation means 20, a storage means 30, and an input/output means 40.
ここでコンピュータとは、例えば、サーバーコンピュータ、パーソナルコンピュータ、タブレット端末、スマートフォンなどが挙げられる。なお、後述するような処理を、例えば、サーバーコンピュータとクライアントコンピュータ（パーソナルコンピュータ）とに分けて実行するように構成することもできる。 Here, examples of computers include server computers, personal computers, tablet terminals, and smartphones. Note that the processing described below can also be configured to be executed separately, for example, by a server computer and a client computer (personal computer).
この場合、演算手段２０はＣＰＵ（Central Processing Unit）など、記憶手段３０はＨＤＤ（Hard Disk Drive）など、入出力手段４０はディスプレイ、キーボード、マウスなどによって構成することができる。 In this case, the calculation means 20 can be configured as a CPU (Central Processing Unit) or the like, the storage means 30 can be configured as a HDD (Hard Disk Drive) or the like, and the input/output means 40 can be configured as a display, keyboard, mouse, etc.
なお、本実施形態において、後述するような触媒評価データなどのデータは、記憶手段３０に記憶されているが、記憶手段３０を有する触媒設計装置１０とは別のデータサーバに記憶するようにしてもよく、後述するような処理を実行する際に、データサーバから触媒設計装置１０に必要なデータを送信し、記憶手段３０に記憶するように構成することもできる。 In this embodiment, data such as catalyst evaluation data described below is stored in the storage means 30, but it may also be stored in a data server separate from the catalyst design device 10 having the storage means 30, and it may also be configured such that when executing the processing described below, the necessary data is transmitted from the data server to the catalyst design device 10 and stored in the storage means 30.
また、記憶手段３０には、後述するような処理をコンピュータ（触媒設計装置１０）に実行させるためのプログラムが記憶されており、このプログラムにより、コンピュータ（触媒設計装置１０）は、ＦＣＣ触媒の触媒設計方法を実行する。 The storage means 30 also stores a program for causing the computer (catalyst design device 10) to execute the processing described below, and this program causes the computer (catalyst design device 10) to execute the catalyst design method for the FCC catalyst.
図２は、本実施形態におけるＦＣＣ触媒の触媒設計方法の概略を示すブロック図である。 Figure 2 is a block diagram showing an outline of the catalyst design method for the FCC catalyst in this embodiment.
まず、事前にユーザーは、記憶手段３０に、多数の触媒評価データを記憶する。ここで、触媒評価データとは、例えば、触媒原料の種類や量、触媒評価条件、評価用油組成などの触媒設計条件を変えて実験を行い、得られた触媒の性能評価を行うことで得られた性能評価データと触媒設計条件とが関連付けられたデータを言う。なお、触媒評価データとしては、少なくとも１０００件程度準備することが好ましい。 First, the user stores a large amount of catalyst evaluation data in advance in the storage means 30. Here, catalyst evaluation data refers to data in which performance evaluation data obtained by performing experiments while changing catalyst design conditions such as the type and amount of catalyst raw material, catalyst evaluation conditions, and evaluation oil composition, and evaluating the performance of the obtained catalyst, is associated with the catalyst design conditions. It is preferable to prepare at least 1,000 pieces of catalyst evaluation data.
触媒原料の種類としては、例えば、ゼオライト、活性アルミナ、バインダー、レアアース、フィラーなどを挙げることができる。
触媒評価条件としては、例えば、前処理条件、反応温度、触媒／油比などを挙げることができる。
評価用油組成としては、密度、組成、残留炭素などを挙げることができる。
Examples of the catalyst raw material include zeolite, activated alumina, binder, rare earth, and filler.
The catalyst evaluation conditions include, for example, pretreatment conditions, reaction temperature, catalyst/oil ratio, and the like.
The oil composition to be evaluated may include density, composition, residual carbon, and the like.
このような多数の触媒評価データのうち一部のデータ（モデル作成用データ）を用い、触媒設計条件を入力パラメータ、性能評価データを出力パラメータとして、応答曲面法により応答曲面モデルを生成し、この応答曲面モデルから最適化手法を用いて、触媒評価データに基づくシミュレーションモデルを作成する。ここで、シミュレーションモデルを作成するための触媒評価データは、全データのうちの８０％程度を用いることが好ましく、残りのデータ（精度確認用データ）は、後述する精度確認のために用いられる。 A portion of this large amount of catalyst evaluation data (model creation data) is used to generate a response surface model using the response surface methodology with the catalyst design conditions as input parameters and the performance evaluation data as output parameters, and a simulation model based on the catalyst evaluation data is created from this response surface model using an optimization technique. Here, it is preferable to use about 80% of the total catalyst evaluation data to create the simulation model, and the remaining data (accuracy confirmation data) is used for accuracy confirmation, which will be described later.
このように作成されたシミュレーションモデルと、実験計画法に基づき生成された多数の仮想触媒設計条件と、に基づいてシミュレーションを行い、仮想触媒設計条件による触媒の仮想性能評価データを算出する。そして、仮想性能評価データと仮想触媒設計条件とが関連付けられた仮想触媒評価データを生成する。なお、仮想触媒設計条件としては、実験により準備した触媒評価データの少なくとも５倍以上のデータを生成することが好ましく、さらには、１０倍以上のデータを生成することがより好ましい。 A simulation is performed based on the simulation model created in this way and a large number of virtual catalyst design conditions generated based on an experimental design method, and virtual performance evaluation data for the catalyst based on the virtual catalyst design conditions is calculated. Then, virtual catalyst evaluation data is generated in which the virtual performance evaluation data and the virtual catalyst design conditions are associated. Note that, as the virtual catalyst design conditions, it is preferable to generate data that is at least five times as much as the catalyst evaluation data prepared by experiments, and it is even more preferable to generate data that is ten times as much.
このようにシミュレーションで得られた仮想触媒評価データと、実験で得られた触媒評価データとを用いて、触媒設計条件及び仮想触媒設計条件を入力パラメータ、性能評価データ及び仮想性能評価データを出力パラメータとして、多目的遺伝的アルゴリズムを用いて、多目的最適化を行い、触媒設計用学習済みモデルを生成する。なお、本実施形態では、ボトム収率、ガソリン収率、コーク収率、ドライガス収率を目的関数として、ボトム収率、コーク収率及びドライガス収率は最小化、ガソリン収率は最大化するように最適化を行っている。目的関数としては、上述するものに限定されることはなく、例えば、分解率、ＬＰＧ（液化石油ガス）収率、ＬＣＯ（ライト・サイクル・オイル）収率、オクタン価などを用いることもできる。また、目的関数の変数は、触媒設計条件の要素（触媒原料の種類や量、触媒評価条件、評価用油組成など）から選択される。 Using the virtual catalyst evaluation data obtained in this simulation and the catalyst evaluation data obtained in the experiment, a multi-objective optimization is performed using a multi-objective genetic algorithm with the catalyst design conditions and virtual catalyst design conditions as input parameters and the performance evaluation data and virtual performance evaluation data as output parameters to generate a learned model for catalyst design. In this embodiment, the bottom yield, gasoline yield, coke yield, and dry gas yield are set as objective functions, and optimization is performed to minimize the bottom yield, coke yield, and dry gas yield, and maximize the gasoline yield. The objective function is not limited to the above, and can be, for example, the cracking rate, LPG (liquefied petroleum gas) yield, LCO (light cycle oil) yield, octane number, etc. In addition, the variables of the objective function are selected from the elements of the catalyst design conditions (type and amount of catalyst raw material, catalyst evaluation conditions, evaluation oil composition, etc.).
このように生成された触媒設計用学習済みモデルについて、精度確認用データを用い、触媒設計条件を入力した際に出力される性能評価データの計算値と、実験により得られた性能評価データ（実験値）とを比較することにより、触媒設計用学習済みモデルの精度評価を行う。ここで、触媒設計用学習済みモデルの精度が充分では無い場合には、該触媒設計用学習済みモデルは破棄する。 The accuracy of the trained model for catalyst design generated in this way is evaluated by using the accuracy confirmation data to compare the calculated values of the performance evaluation data output when the catalyst design conditions are input with the performance evaluation data (experimental values) obtained by the experiment. Here, if the accuracy of the trained model for catalyst design is not sufficient, the trained model for catalyst design is discarded.
一方で、触媒設計用学習済みモデルの精度が十分であると判断された場合には、触媒設計装置１０は、この触媒設計用学習済みモデルを用いて、ユーザーによるＦＣＣ触媒の設計を行うことができるようになる。 On the other hand, if it is determined that the accuracy of the trained model for catalyst design is sufficient, the catalyst design device 10 will enable the user to design an FCC catalyst using this trained model for catalyst design.
ユーザーが、このように触媒設計用学習済みモデルが記憶された触媒設計装置１０を用いて、ＦＣＣ触媒の設計を行う際には、入出力手段４０を用いて、触媒設計装置１０に、例えば、触媒原料の種類や量、触媒評価条件、評価用油組成などの触媒設計条件を入力する。これにより、予測値として性能評価データが算出される。 When a user designs an FCC catalyst using the catalyst design device 10 in which the learned model for catalyst design is stored, the user inputs catalyst design conditions, such as the type and amount of catalyst raw material, catalyst evaluation conditions, and evaluation oil composition, into the catalyst design device 10 using the input/output means 40. This allows performance evaluation data to be calculated as a predicted value.
ユーザーは、例えば、予測評価データが期待する評価である場合には、当該触媒設計条件により触媒の調合を行い、調合された触媒を用いて性能評価を行って、実験値としての性能評価データを取得する。 For example, if the predicted evaluation data is the expected evaluation, the user prepares a catalyst according to the catalyst design conditions, performs a performance evaluation using the prepared catalyst, and obtains performance evaluation data as experimental values.
なお、取得された実験値としての性能評価データは、入力された触媒設計条件と関連付けられて、記憶手段３０に記憶され、触媒設計用学習済みモデルのファインチューニングに用いるように構成することもできる。 The performance evaluation data obtained as experimental values can be associated with the input catalyst design conditions, stored in the storage means 30, and configured to be used for fine-tuning the trained model for catalyst design.
本発明では、上記実施形態のように、実験により得られた性能評価データのみにより生成されたシミュレーションモデルではなく、実験により得られた性能評価データに加えて、シミュレーションモデルにより得られた仮想性能評価データを用いて、触媒設計用学習済みモデルを生成している。 In the present invention, unlike the above embodiment in which a simulation model is generated only from performance evaluation data obtained through experiments, a trained model for catalyst design is generated using virtual performance evaluation data obtained from a simulation model in addition to performance evaluation data obtained through experiments.
このように、実験により得られた性能評価データに加えて、仮想性能評価データも用いて機械学習を行うことにより、互いにトレードオフの関係にあるガソリン収率やボトム収率、コーク収率、ドライガス収率などを大きく改善させることができ、より適切なＦＣＣ触媒を迅速に設計することができる。 In this way, by performing machine learning using virtual performance evaluation data in addition to performance evaluation data obtained from experiments, it is possible to significantly improve gasoline yield, bottom yield, coke yield, dry gas yield, etc., which are in a trade-off relationship with each other, and to quickly design more appropriate FCC catalysts.
図３は、本実施形態における触媒設計方法を用いて設計された触媒と、従来の試行錯誤による最適化作業によって設計された触媒と、におけるボトム収率、ガソリン収率、コーク収率及びドライガス収率の増減値を示すグラフである。 Figure 3 is a graph showing the increase or decrease in bottom yield, gasoline yield, coke yield, and dry gas yield for a catalyst designed using the catalyst design method of this embodiment and a catalyst designed by conventional trial-and-error optimization work.
上述するように、ボトム収率、コーク収率及びドライガス収率は最小化、ガソリン収率は最大化することが好ましいが、図３に示すように、本実施形態における触媒設計方法を用いて設計された触媒は、従来の試行錯誤による最適化作業によって設計された触媒と比べ、すべての項目において上回る性能を得ることができた。 As described above, it is preferable to minimize the bottom yield, coke yield, and dry gas yield, and maximize the gasoline yield. As shown in FIG. 3, the catalyst designed using the catalyst design method of this embodiment was able to achieve superior performance in all aspects compared to catalysts designed by conventional trial-and-error optimization work.
また、本実施形態における触媒設計装置１０では、例えば、入出力手段４０に図４に示すような目的関数同士の関係を示すグラフを表示し、そこに性能評価データ及び仮想性能評価データをプロットするように構成することもできる。 In addition, the catalyst design device 10 in this embodiment can be configured to display a graph showing the relationship between objective functions as shown in FIG. 4 on the input/output means 40, and plot the performance evaluation data and virtual performance evaluation data there.
そして、ユーザーは、プロットされた性能評価データ及び仮想性能評価データから、最適と思われるデータを選択することによって、選択された性能評価データ若しくは仮想性能評価データの触媒設計条件を確認することができる。 The user can then select the data that appears to be optimal from the plotted performance evaluation data and virtual performance evaluation data, and confirm the catalyst design conditions of the selected performance evaluation data or virtual performance evaluation data.
このように構成することにより、例えば、「目的とする性能の中でガソリン収率は所定値以上を必ず満たし、かつ、ドライガス収率及びボトム収率は所定値以下とする」などのような制約条件が存在する場合に、制約条件を満足する複数の仮想性能評価データを選択することができ、例えば、ドライガス収率の低減を重視するケースや、ボトム収率の低減を重視するケースなど、ユーザーの意向を触媒設計条件に反映することができる。 By configuring it in this way, for example, when there are constraints such as "among the target performance, the gasoline yield must be equal to or greater than a specified value, and the dry gas yield and bottom yield must be equal to or less than a specified value," it is possible to select multiple virtual performance evaluation data that satisfy the constraints. For example, it is possible to reflect the user's intentions in the catalyst design conditions, such as in cases where emphasis is placed on reducing the dry gas yield or on reducing the bottom yield.
以上、本発明の好ましい実施形態について説明したが、本発明はこれに限定されることはなく、例えば、上記実施形態では、流動接触分解触媒の設計を例に説明したが、他の触媒の設計にも用いることができるなど、本発明の目的を逸脱しない範囲で種々の変更が可能である。 Although the preferred embodiment of the present invention has been described above, the present invention is not limited thereto. For example, the above embodiment has been described using the design of a fluid catalytic cracking catalyst as an example, but it can also be used for the design of other catalysts. Various modifications are possible within the scope of the purpose of the present invention.
なお、上述するような触媒設計方法を、コンピュータにより実行させるためのプログラムも本発明の一態様であり、また、このようなプログラムを記録した、例えば、磁気テープ（デジタルデータストレージ（ＤＤＳ）など）、磁気ディスク（ハードディスクドライブ（ＨＤＤ）、フレキシブルディスク（ＦＤ）など）、光ディスク（コンパクトディスク（ＣＤ）、デジタルバーサタイルディスク（ＤＶＤ）、ブルーレイディスク（ＢＤ）など）、光磁気ディスク（ＭＯ）、フラッシュメモリ（ＳＳＤ（Solid State Drive）、メモリーカード、ＵＳＢメモリなど）などのコンピュータ可読記録媒体も本発明の一態様として含まれる。 A program for executing the catalyst design method described above by a computer is also an aspect of the present invention, and computer-readable recording media on which such a program is recorded, such as magnetic tape (digital data storage (DDS) etc.), magnetic disk (hard disk drive (HDD), flexible disk (FD) etc.), optical disk (compact disk (CD), digital versatile disk (DVD), Blu-ray disk (BD) etc.), magneto-optical disk (MO), flash memory (solid state drive (SSD), memory card, USB memory etc.), are also included as aspects of the present invention.
１０ 触媒設計装置
２０ 演算装置
３０ 記憶手段
４０ 入出力手段
10 Catalyst design device 20 Arithmetic device 30 Storage means 40 Input/output means
Claims (2)
前記シミュレーションモデルと、実験計画法に基づき生成された複数の仮想触媒設計条件とを用いて、触媒の仮想性能評価データを算出することにより、仮想性能評価データと仮想触媒設計条件とが関連付けられた仮想触媒評価データを前記触媒評価データの５倍以上生成し、
前記性能評価データと前記仮想触媒評価データとを用いて、多目的最適化を行うことにより、触媒設計用学習済みモデルを生成し、
新たな触媒設計条件と、前記触媒設計用学習済みモデルとを用いて、触媒の性能評価データを算出する触媒設計方法。 A simulation model is created using catalyst evaluation data in which catalyst design conditions and performance evaluation data of the catalyst obtained by an experiment are associated with each other;
By using the simulation model and a plurality of virtual catalyst design conditions generated based on an experimental design method, virtual catalyst evaluation data in which the virtual performance evaluation data and the virtual catalyst design conditions are associated is generated in an amount five times or more of the catalyst evaluation data ;
Using the performance evaluation data and the virtual catalyst evaluation data, multi-objective optimization is performed to generate a trained model for catalyst design;
A catalyst design method for calculating catalyst performance evaluation data using new catalyst design conditions and the learned model for catalyst design.
前記記憶手段は、触媒設計条件と、実験により取得された触媒の性能評価データとが関連付けられた触媒評価データが複数記憶され、
前記演算手段は、
前記触媒評価データを用いてシミュレーションモデルを作成し、
前記シミュレーションモデルと、実験計画法に基づき生成された複数の仮想触媒設計条件とを用いて、触媒の仮想性能評価データを算出することにより、仮想性能評価データと仮想触媒設計条件とが関連付けられた仮想触媒評価データを前記触媒評価データの５倍以上生成し、
前記性能評価データと前記仮想触媒評価データとを用いて、多目的最適化を行うことにより、触媒設計用学習済みモデルを生成するように構成され、
さらに、前記演算手段は、
前記入出力手段によって入力された触媒設計条件と、前記触媒設計用学習済みモデルとを用いて、触媒の性能評価データを算出し、算出された性能評価データを前記入出力手段によって出力するように構成される触媒設計装置。 A catalyst design device having a storage means, a calculation means, and an input/output means,
the storage means stores a plurality of catalyst evaluation data in which catalyst design conditions are associated with performance evaluation data of the catalyst obtained by an experiment;
The calculation means includes:
A simulation model is created using the catalyst evaluation data,
By using the simulation model and a plurality of virtual catalyst design conditions generated based on an experimental design method, virtual catalyst evaluation data in which the virtual performance evaluation data and the virtual catalyst design conditions are associated is generated in an amount five times or more of the catalyst evaluation data ;
The method is configured to generate a trained model for catalyst design by performing multi-objective optimization using the performance evaluation data and the virtual catalyst evaluation data;
Furthermore, the calculation means
A catalyst design device configured to calculate catalyst performance evaluation data using the catalyst design conditions input by the input/output means and the learned model for catalyst design, and to output the calculated performance evaluation data by the input/output means.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021048912A JP7706905B2 (en) | 2021-03-23 | 2021-03-23 | Catalyst design method and catalyst design device for fluid catalytic cracking catalyst, and trained model for catalyst design used therein |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021048912A JP7706905B2 (en) | 2021-03-23 | 2021-03-23 | Catalyst design method and catalyst design device for fluid catalytic cracking catalyst, and trained model for catalyst design used therein |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022147600A JP2022147600A (en) | 2022-10-06 |
| JP7706905B2 true JP7706905B2 (en) | 2025-07-14 |
Family
ID=83463203
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021048912A Active JP7706905B2 (en) | 2021-03-23 | 2021-03-23 | Catalyst design method and catalyst design device for fluid catalytic cracking catalyst, and trained model for catalyst design used therein |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7706905B2 (en) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2025033271A1 (en) * | 2023-08-10 | 2025-02-13 | 株式会社レゾナック | Design support device, learning device, design support method, learning method, and program |
| WO2025061791A1 (en) * | 2023-09-18 | 2025-03-27 | Basf Se | Method and system for providing a catalyst composition |
| CN119400293A (en) * | 2024-10-25 | 2025-02-07 | 合肥工业大学 | Machine learning optimization method and system for low-temperature and high-activity CO2 methanation catalysts |
| CN119400268B (en) * | 2024-10-25 | 2025-10-31 | 合肥工业大学 | Multi-target product process regulation and control method and system based on machine learning |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999007543A1 (en) | 1997-08-08 | 1999-02-18 | Bridgestone Corporation | Method of designing tire, optimization analyzer and storage medium on which optimization analysis program is recorded |
| JP2003071297A (en) | 2001-08-31 | 2003-03-11 | Mitsui Eng & Shipbuild Co Ltd | Method for predicting the activity of metal oxide catalysts |
| US20080168014A1 (en) | 2006-12-27 | 2008-07-10 | Bhagat Phiroz M | Catalyst discovery through pattern recognition-based modeling and data analysis |
| JP2009093271A (en) | 2007-10-04 | 2009-04-30 | Ihi Corp | Product design support system and method |
| WO2021015134A1 (en) | 2019-07-23 | 2021-01-28 | 昭和電工株式会社 | Material design system, material design method, and material design program |
| JP2021022276A (en) | 2019-07-30 | 2021-02-18 | 横浜ゴム株式会社 | Data processing method, data processing apparatus, and program |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190129522A (en) * | 2018-05-11 | 2019-11-20 | 한국과학기술연구원 | Method for designing catalyst based on deep-learning and the system thereof |
-
2021
- 2021-03-23 JP JP2021048912A patent/JP7706905B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999007543A1 (en) | 1997-08-08 | 1999-02-18 | Bridgestone Corporation | Method of designing tire, optimization analyzer and storage medium on which optimization analysis program is recorded |
| JP2003071297A (en) | 2001-08-31 | 2003-03-11 | Mitsui Eng & Shipbuild Co Ltd | Method for predicting the activity of metal oxide catalysts |
| US20080168014A1 (en) | 2006-12-27 | 2008-07-10 | Bhagat Phiroz M | Catalyst discovery through pattern recognition-based modeling and data analysis |
| JP2009093271A (en) | 2007-10-04 | 2009-04-30 | Ihi Corp | Product design support system and method |
| WO2021015134A1 (en) | 2019-07-23 | 2021-01-28 | 昭和電工株式会社 | Material design system, material design method, and material design program |
| JP2021022276A (en) | 2019-07-30 | 2021-02-18 | 横浜ゴム株式会社 | Data processing method, data processing apparatus, and program |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022147600A (en) | 2022-10-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7706905B2 (en) | Catalyst design method and catalyst design device for fluid catalytic cracking catalyst, and trained model for catalyst design used therein | |
| CN115188429B (en) | A key indicator modeling method for catalytic cracking units integrating time series feature extraction | |
| Kudela et al. | Recent advances and applications of surrogate models for finite element method computations: a review: J. Kudela, R. Matousek | |
| Elfghi | A hybrid statistical approach for modeling and optimization of RON: A comparative study and combined application of response surface methodology (RSM) and artificial neural network (ANN) based on design of experiment (DOE) | |
| JP7797974B2 (en) | Model selection device, model selection method, and model selection program | |
| Kasat et al. | Multiobjective optimization of industrial FCC units using elitist nondominated sorting genetic algorithm | |
| Shakor et al. | The mathematical catalyst deactivation models: a mini review | |
| WO2011133318A2 (en) | Active cloud point controller for refining applications and related method | |
| Ho | Kinetic modeling of large‐scale reaction systems | |
| Ureel et al. | Active learning-based exploration of the catalytic pyrolysis of plastic waste | |
| Chen et al. | Adaptive modeling strategy integrating feature selection and random forest for fluid catalytic cracking processes | |
| Yusuf et al. | Effect of hydrogen partial pressure on catalytic reforming process of naphtha | |
| Mei et al. | Molecular-based bayesian regression model of petroleum fractions | |
| Zhao et al. | Cyclic scheduling for ethylene cracking furnace system with consideration of secondary ethane cracking | |
| Sildir et al. | Economic model predictive control of an industrial fluid catalytic cracker | |
| Saghir et al. | Prediction and optimisation of gasoline quality in petroleum refining: The use of machine learning model as a surrogate in optimisation framework | |
| CN115938499B (en) | Hydrocracking model optimization method and device, electronic equipment and storage medium | |
| Pyl et al. | Modeling the composition of crude oil fractions using constrained homologous series | |
| Shi et al. | Progress in kinetic predictions for complex reaction of hydrocarbons: from mechanism studies to industrial applications | |
| TWI807566B (en) | Naphtha product evaluation apparatus, method, and computer program product thereof | |
| WO2024247595A1 (en) | Design assistance system and design assistance method | |
| JP7815857B2 (en) | Visualization device, visualization method, and program | |
| Varughese et al. | Physically interpretable interatomic potentials via symbolic regression and reinforcement learning | |
| Becker et al. | Improving Model Robustness with Transfer Learning for Product Property Models | |
| Sánchez et al. | Computationally‐Efficient Environmental and Economic Multi‐Objective Optimization of a Methanol Production Process via Surrogate Modeling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231017 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20250107 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20250306 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20250610 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20250702 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7706905 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |