ПОЛИМЕРНЫЕ ИННОВАЦИИ

Способ будет применяться для измерения уровня порошка полиэтилена и полипропилена в дегазаторах (емкость с неподвижным слоем) и реакторе полимеризации (псевдоожиженный слой). При измерении уровня порошка полиэтилена и полипропилена в дегазаторах (емкость с неподвижным слоем) использование известных вибрационных датчиков уровня в данных условиях не подходит по причине налипания порошка на чувствительный элемент прибора и искажению получаемого сигнала, по которому невозможно определить действительно ли прибор контактирует со слоем или произошло залипание порошка. При измерении уровня реакторе полимеризации (псевдоожиженный слой) применяются датчики перепада давления, и часто отборы на данные приборы забиваются порошком, что влечет за собой не корректные показания.

Научно-техническое обоснование применимости технологии DWC, разработка прототипа пилотной установки и её цифрового двойника для определения основных показателей эффективности на реальных средах, дальнейшего масштабирования и последующего внедрения на предприятиях компании. Колонна с разделительной стенкой (DWC) – это ректификационный аппарат, внутри которого установлена вертикальная перегородка, разделяющая часть сечения колонны на две или более зоны. Перегородка позволяет вести разделение трёхкомпонентной (или более) смеси в одном корпусе с получением трёх чистых продуктов: нижнего, верхнего и бокового отбора (последний выводится со стороны перегородки).

Научно-техническое обоснование применимости технологии центробежной ректификации (RPB) и разработка пилотной установки для определения основных показателей эффективности на реальных средах для дальнейшего масштабирования и промышленной апробации на предприятиях компании. Технология центробежной ректификации (RPB) представляет собой процесс разделения многокомпонентных жидких смесей в поле высоких центробежных ускорений, создаваемых вращающимся насадочным ротором.

• Подбор методов очистки теплообменников и трубопроводов от полимера стирола на производстве дегидрирования этилбензола (теплообменники неразборные, при забивке снижается пропускная способность и резко падает выработка товарного стирола). Применение – СИБУР-Химпром
• Подбор методов очистки внутренних устройств реакторов дегидрирования изобутана от коксовых отложений. Применение – Нижнекамскнефтехим

• Подбор экономически эффективного метода применения отработанных катализаторов дегидрирования этилбензола (железооксидный катализатор ~100-200 тонн/год, дегидрирования изобутана – 2-5 тысяч тонн/год, а также гидратации и МТБЭ (ионообменная смола в Н+ форме)
• Для металлоорганических катализаторов проработка их перевода на эффективную (с точки зрения времени протекания процесса) и безопасную (с точки зрения пожаровзрывоопасности) водную нейтрализацию, с максимальным использованием текущего оборудования.
• Возможность реализовывать образующийся водный раствор гидроксида алюминия как потенциальный продукт, а не отход.

Подбор технологии нанесения износостойкого покрытия и самого покрытия или материала для изготовления внутренних устройств реакторов дегидрирования изобутана в кипящем слое, а также катализаторопроводов (пневмотранспорт), стойкого к эрозии частицами катализатора (проблема быстрого износа оборудования). Применение НКНХ, ЗСХК

Подбор технологии обработки трубопроводов пневмотранспорта для создания шероховатости с целью снижения образования полимерных лент на производстве полиэтилена низкой плотности ПЭНП-Т (КОС). Далее может быть транслировано на другие производства при необходимости / оценке затрат к эффекту.

Подбор недорогих компактных решений по загрузке сыпучих реагентов в аппараты без участия человека. Например, загрузка ингибитора на производстве акриловой кислоты СИБУР-Нефтехим, загрузка сыпучих реагентов на ППЭ (производство простых полиэфиров) Нижнекамскнефтехим

Разработка технологии/оборудования для очистки промышленных сточных вод. Например, химически загрязненные воды, образующиеся в процессе производства ГПЭБ (гидропероксида этилбензола), окиси пропилена и стирола СДМФК (стирол, полученный дегидратацией метилфенилкарбинола в процессе совместного получения стирола и окиси пропилена). В настоящее время на пр-ве применяется узел огневого обезвреживания жидких отходов (850-1050 гр.С)

Система сбора и анализа данных с промышленных установок разработки и переработки полимеров в готовые изделия, включающая в себя подсистемы:

1. Извлечение данных из закрытых ПЛК-систем иностранных производителей
2. Промышленные IIoT-шлюзы и программно-аппаратные комплексы сбора данных
3. Внешние датчики и альтернативные источники данных для оборудования без цифрового доступа
4. SCADA- и MES-системы как слой агрегации, нормализации и хранения данных
5. Инфраструктура хранения данных для промышленного ИИ (Data Lake, временные ряды)
6. Предобработка, очистка и подготовка производственных данных для ИИ-моделей
7. Кибербезопасность промышленного контура сбора данных

Программные комплексы и платформы на основе искусственного интеллекта, которые по заданному целевому паспорту полимера (показатель текучести расплава, плотность, модуль упругости, содержание сомономера и др.) подбирают оптимальную каталитическую систему: тип катализатора и сокатализатора, носитель, активность, селективность, химический состав. Поиск охватывает системы моделирования каталитических процессов, предсказательные ML-модели для подбора катализаторов, цифровые двойники реакторов полимеризации, а также информационно-аналитические системы выбора катализаторов по базам данных характеристик.

Решения, которые на основе требуемых характеристик готового полимера (морфология частиц — распределение размеров частиц PSD, насыпная плотность и другие свойства) рекомендуют тип промышленного процесса — газофазный (например, технология Unipol), суспензионный (например, Innovene S) или иной. Охватывает программные средства технологического выбора, симуляторы процессов полимеризации, цифровые двойники производственных линий, системы сравнения технологических схем по целевым параметрам продукта.

Системы расчёта пакетов стабилизаторов — первичных и вторичных антиоксидантов, УФ-абсорберов, светостабилизаторов HALS — с учётом метода переработки (литьё под давлением, экструзия плёнки, выдувное формование) и заданных условий эксплуатации. Поиск охватывает экспертные системы подбора добавок, базы данных стабилизаторов, программное обеспечение для композиционного моделирования полимерных рецептур, а также цифровые платформы формулировочной оптимизации.

Программные и программно-аппаратные комплексы, которые по вводимым данным (тип дефекта — гели, расслоение, несоответствие цвета; данные партии) формируют ранжированный список вероятных химических и технологических причин возникновения брака. Охватывает системы машинного зрения для контроля качества полимеров, ML-модели классификации дефектов, экспертные системы диагностики причин брака с опорой на исторические прецеденты, системы корреляционного анализа параметров партии и дефектов.

Решения, генерирующие пошаговые инструкции для R&D-сотрудников по устранению выявленных дефектов: какие пробы отобрать, какие узлы производственной линии проверить в первую очередь, в какой последовательности проводить диагностику. Охватывает системы автоматизированной генерации технологических предписаний, рекомендательные модули на основе знаний, программные средства планирования диагностических процедур, интегрированные с системами управления качеством.

Системы накопления, структурирования и поиска по корпусу знаний в области полимерной химии: исторические прецеденты производства, результаты экспериментов, данные по партиям, связи «состав–процесс–свойства–дефекты». Охватывает базы знаний с семантическим поиском, системы управления R&D-данными (Electronic Lab Notebook, LIMS), графы знаний для материаловедения, онтологии полимерных материалов и процессов, платформы управления исследовательскими данными.

Модели и алгоритмы машинного обучения, которые типу гидрофильной группы, длине и разветвлённости гидрофоба, количеству EO/PO-звеньев, заряду, числу гидрофобных цепей — предсказывают ключевые свойства: критическую концентрацию мицеллообразования (CMC), поверхностное/межфазное натяжение, крафт-точку, точку помутнения, температуру инверсии фаз (PIT), параметры упаковки и др. Сюда же относятся базы данных экспериментальных свойств ПАВ (например, SurfPro) и дескрипторные подходы (топологические, квантово-химические, конформационные) для построения корреляций «структура–свойство». Прогноз необходимо строить по связке «структура ПАВ + условия среды», включая температуру, pH, минерализацию, природу водной и масляной фаз и концентрацию. HLB следует рассматривать как эмпирический дескриптор, а не как универсальную целевую характеристику. PIT применим главным образом к температурно-чувствительным неионогенным этоксилатам, точка Крафта — прежде всего к ионным ПАВ, точка помутнения к неионогенным оксиэтилированным системам. Следует добавить прогноз межфазного натяжения, динамического смачивания и фазового поведения, а также указывать область применимости, неопределённость и степень экстраполяции модели. Роль блока: базовый прогнозный слой «структура и среда → физико-химические свойства»; приоритет 1.

Интегрированные программные системы, которые по заданным условиям применения (тип поверхности и фаз, природа масляной фазы, температура, pH, минерализация, давление, рабочая концентрация, требуемые функции — смачивание, эмульгирование, диспергирование, солюбилизация, пенообразование/гашение) подбирают класс, молекулярную архитектуру и состав ПАВ или смеси. Системы выдают ранжированный набор кандидатов с прогнозом свойств, областью рабочих условий и оценкой достоверности. Могут включать экспертные системы, базы промышленно реализуемых ПАВ и модули рекомендаций по лабораторной проверке. Необходимо разделить два режима: подбор существующего ПАВ или смеси и обратное проектирование новой молекулярной архитектуры. Следует добавить HLD/HLD-NAC для учёта природы масла, солёности и температуры, а также фильтры синтезируемости, доступного сырья, оборудования, стоимости, безопасности и биоразлагаемости. Роль блока: преобразование ТЗ применения в ранжированный набор готовых кандидатов либо в целевую область структуры для синтеза; приоритет 1.

Вычислительные методы (молекулярная динамика, coarse-grained моделирование, DPD, методы самосогласованного поля), которые на атомарном или мезоскопическом уровне описывают самосборку ПАВ, образование мицелл, взаимодействие ПАВ с полимерами, адсорбцию на поверхностях, реологические свойства. Результаты МД-расчётов (коэффициенты диффузии, вязкость, поверхностное натяжение) могут использоваться как входные данные для ML-моделей или для валидации предсказаний. Для мицелл, крупных агрегатов и мезофаз требуются укрупнённые модели, DPD или методы поля, а макроскопическая реология требует многоуровневой модели и обязательной экспериментальной проверки. Из-за вычислительной стоимости этот блок целесообразно применять не для массового скрининга, а для физической проверки и углублённого анализа 5–20 наиболее перспективных структур. Его результаты используются как физические дескрипторы и как средство валидации; приоритет 2.

Программно-аппаратные комплексы для автоматизации лабораторного тестирования ПАВ и смесей: высокопроизводительный скрининг (HTS) поверхностного натяжения, CMC, межфазного натяжения, фазового поведения, реологии; системы сбора и обработки экспериментальных данных; модули планирования минимального плана экспериментов на основе прогнозов ML-моделей; обратная связь «прогноз → эксперимент → обновление модели». «Минимальный план экспериментов» лучше заменить на «активное обучение и байесовская оптимизация»: алгоритм должен выбирать следующий наиболее информативный или перспективный опыт с учётом технологических ограничений и нескольких целевых свойств. Целевой цикл: «прогноз → следующий опыт → синтез/испытание → контроль качества данных → обновление модели». До полной роботизации необходимо обеспечить стандартные протоколы, прослеживаемость образцов и автоматический возврат результатов. В качестве референса подхода применимы AIChemBuddy/BoFire. Роль блока: замкнутый экспериментальный контур и самообучение модели; приоритет 1, возможен поэтапный запуск без полной роботизации.

Создание ИИ и обучение его на конкретном направлении синтеза полиолефинов. Загрузка большого массива научных статей, регламентов, описания технологий и т.д. Предполагается, что на основе этих данных ИИ будет отвечать на любые сложные вопросы в области синтеза ПО. Конечная цель - формирование единой базы знаний по синтезу полипропилена/полиэтилена

На основе исторических данных ИИ предлагает сценарии ПИ, оценивает время, возможность совмещения испытаний, проводит приоритезацию, после проведения ПИ анализирует данные и формирует отчеты.

Создание отечественной программно-аппаратной платформы, в которой ИИ-модели с калиброванной оценкой неопределённости планируют минимально достаточную серию синтезов на действующей пилотной установке, а результаты синтеза и характеризации автоматически возвращаются в модель, замыкая цикл «предсказание → эксперимент → переобучение». Целевой результат — выход на заданный набор свойств марки за 50–70% от исходно прогнозируемого числа экспериментов, что соответствует показателям мировой практики применения последовательного обучения, а в полностью автоматизированном контуре — ускорение до 10–25 раз. В мировой практике есть Citrine Informatics — платформа для материаловедческой информатики и AI-ориентированной разработки продуктов.

Самообучающийся контур ускоренной разработки марок полиолефинов: платформа материаловедческой информатики, интегрированная с пилотной установкой синтеза (Closed-Loop AI-Driven Polyolefin Development).
Разрабатываются косвенные предикторы, позволяющие оценивать свойства материалов.

Citrine позволяет компании (Lyondell Basell применяет):

• ускорять продуктовую разработку;
• получать дополнительные инсайты по всей цепочке создания ценности — от сырья до готовых продуктов;
• эффективно открывать новые возможности на стыке разработки материалов и дискретных продуктов.

Цель работы — построить ИИ-модели, объясняющие и предсказывающие свойства марки полипропилена по данным структуры, применяемого катализатора, технологическим параметрам синтеза и переработки. Построение ИИ-моделей по связи молекулярной и надмолекулярной структуры со свойствами полипропилена: перенос закономерностей с титан-магниевых на металлоценовые каталитические системы по данным пилотной установки синтеза полиолефинов.

Модели строятся по иерархии трёх уровней:

1. Молекулярная структура: молекулярная масса и ширина её распределения, стереорегулярность (mm-fraction, состав триад), растворимая фракция; для сополимеров — содержание этилена и равномерность его распределения по цепи.
2. Надмолекулярная организация: степень кристалличности, температуры и интервалы плавления и кристаллизации, распределение длин кристаллизуемых последовательностей, доля аморфной фазы, вязкость расплава.
3. Свойства: модуль упругости, предел текучести и прочность при разрыве, относительное удлинение, ударная вязкость при рабочих и низких температурах, твёрдость, температура размягчения по Вика.

Принципиальное требование: уровень 1 связывается с уровнем 3 только через уровень 2. Именно это отличает подход от прямых производственных зависимостей вида «показатель текучести расплава (ПТР) — свойство», которые работают лишь внутри одной каталитической системы и теряют силу при её смене.

Обучающая база — гомополимеры с ПТР 3, 25 и 45 г/10 мин, полученные на титан-магниевых катализаторах различного типа, с полными данными по структуре, условиям синтеза и свойствам. Проверка — гомополимеры с ПТР 3, 25, 55 и 1500 г/10 мин, синтезируемые на собственном металлоценовом катализаторе на пилотной установке, с фиксацией предсказания до синтеза. Целевой результат — распространение моделей на рандом-сополимеры пропилена металлоценового синтеза.

Современные нефтехимические и нефтеперерабатывающие производства требуют ускорения предпроектной и проектной проработки, обработки большого объёма инженерной документации и снижения доли повторяющихся ручных операций. Задача - Разработать минимально жизнеспособный продукт (MVP) и проверку концепции (PoC) ИИ-агента, а также архитектурный задел промышленной системы для автоматизированной подготовки Process Design Basis, канонической модели процесса, графа PFD, черновых PFD/P&ID, вариативности реализации технологии, расчётных спецификаций, моделей в симуляторе процесса и инженерных экспортных пакетов.

Разработать программный инструмент для ускорения CFD-расчетов с одновременным учетом тепломасообмена и кинетики химических реакций при допустимой потере точности на примере моделирования химического реактора приготовления ЭККЭ (Это органическое соединение, которое используется в качестве мономера для получения термостабильных полимеров, в том числе полиэфиркетонкетонов). В рамках проекта предполагается использование кинетической модели синтеза 1,4 бис(феноксибензоил) бензола ЭККЭ. Наиболее ресурсоемким этапом CFD-анализа является итерационный расчет, поэтому основной целью проекта является его ускорение. Второстепенной целью является ускорение других этапов CFD-анализа.

Разработка программного обеспечения или ИИ-агента для определения размеров частиц (в даипазонах 5-50 мкм и 75-4000 мкм), распределения по размерам частиц, формы частиц по заранее сделанным снимкам. В первом модуле происхоит обучение модели по анализу изображений, во втором модуле - статистический анализ полученных изображений.

Подбор онлайн-анализаторов для определения содержания спирта (метанола) в товарном МТБЭ (метил-трет-бутиловом эфире).
В настоящее время контроль осуществляется по лабораторному анализу (большие затраты времени) или с помощью дорогостоящего хроматографа.

Подбор методов мониторинга реакторов адиабатического и изотермического гидрирования этан-этиленовой фракции (либо фр. С2-) на производствах этилена в СИБУР - АГХК, ЗСНХ, НКНХ, КОС, СК, ТНХ, СХП.

Контролируемые параметры (в зависимости от типа реактора):

• температуры входа / выхода ЭЭФ / фр. С2- – расчет теплового эффекта реакций, определение оптимального температурного профиля, определение степени протекания побочных реакций (гидрирования этилена в этан), определение тепловой мощности реактора (сравнение с проектным);
• давление паров метанола в контуре охлаждения реактора (для изотермических реакторов), температура метанола в контуре, расход воды на охлаждение и конденсацию паров метанола – расчет тепловой производительности контура, его сравнение с проектными показателями, соотнесение с тепловыми эффектами реакций гидрирования, расчет прямых и побочных реакций.