Паровой риформинг метана на сегодняшний день является доминирующим методом производства водорода, обеспечивающим более 60 % мирового объема его выработки [1]. В сочетании с технологиями улавливания углерода данный процесс позволяет получать так называемый «голубой» водород, который по экологическим показателям уступает лишь «зеленому», производимому методом электролиза [1], [2]. Высокая востребованность водородсодержащих технологий, особенно в транспортном секторе, подтверждает долгосрочную актуальность риформинга [3]. Тем не менее, метод сохраняет ряд критических недостатков: высокую энергоемкость, потребность в дорогостоящем оборудовании, неполную конверсию метана (около 75 %) и значительные выбросы CO ₂ [4], [5]. Эксплуатационные сложности, такие как быстрая деградация катализаторов, риск коксования реакционных трубок и высокотемпературная коррозия, требуют поиска новых подходов к оптимизации [6]. Решением этих задач сегодня выступают цифровые технологии, в частности методы искусственного интеллекта и машинного обучения.

Нейронные сети обладают широким спектром применения, однако в контексте данного исследования ключевой интерес представляет их способность обрабатывать массивы данных для прогнозирования технологических параметров, а также генерация синтетических выборок на основе систем математических уравнений и физико-химического описания процессов [7]. Данная технология уже применяется для предсказания состава продуктов химических реакций и оптимизации катализаторов [8], [9]. Исследования могут базироваться на верифицированных массивах, таких как Open Reaction Database [10], доступ к которым осуществляется через API-интерфейсы [11]. Использование подобных ресурсов значительно ускоряет разработку новых материалов. В случае отсутствия доступа к готовым базам, исследователь вынужден самостоятельно формировать обучающие выборки, что является более трудозатратным методом.

Данная работа посвящена разработке нейросетевой архитектуры для прогнозирования выхода продуктов парового риформинга. Моделирование реализовано на языке Python в среде Visual Studio Code. Для манипуляций с массивами данных использовалась библиотека numpy, для реализации алгоритмов машинного обучения — scipy и scikit-learn, а для визуализации результатов — matplotlib.

Автоматизация изучения химических процессов требует учета строгих физико-химических зависимостей. Однако решение такой задачи в рамках единой модели затруднено из-за риска возникновения аномалий и избыточного потребления вычислительных ресурсов. Для создания адекватной системы прогнозирования целесообразно использовать декомпозицию: разделение общей задачи на специализированные подмодели, отвечающие за конкретные функции, такие как расчет энергии Гиббса [12] или определение состава продуктов по известным кинетическим уравнениям [13]. В рамках данной работы будет представлен процесс создания нейросетевой модели, способной предсказывать продукты реакции парового риформинга.

Процесс парового риформинга проходит при температуре от 700 до 1000 °С и давлении от 1,5 до 2 МПа в присутствии никелевых катализаторов [14], [15]. Согласно источникам [16], [17] паровой риформинг в присутствии 18 % масс. NiO/Al ₂ O ₃ катализатора проходит по следующему механизму:

где ∆H _298K — стандартная энтальпия реакции.

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.

На основе представленных математических уравнений, описывающих процесс парового риформинга, будет выполнено обучение нейросетей модели для предсказания продуктов реакции в присутствии 18 % никелевого катализатора. Но для полноценной проверки, необходимо привести проверочный расчет алгоритма. В качестве эталонных значений примем полученные результаты при условиях 850 °С и 2,0 МПа, сравним реалистичность данного расчета с информацией из открытых источников, после чего будет приниматься решение об адекватности данного алгоритма и насколько будет верным решением обучать нейросеть на основе данных математических зависимостей. Полученные результаты выполненного расчета представим на рисунках 1 и 2.

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

Рис. 2. Процесс конверсии метана при 850 °С и 2,0 МПа

Как мы видим по графику, степень конверсия метана при заданных условиях достигает приблизительно 83,37 %, что находится в рамках возможного, что доказывается такими работами, как [13], [16], [17], [18]. Таким образом, можно считать работу данной модели адекватной и на основе неё можем выполнять обучение нейронной сети.

По созданной нами математической модели выполним расчет с перебором входных данных, как температура и давление. В итоге был собран массив данных, состоящий из 15000 экземпляров, с включенными данными по температуре, давлению и компонентному составу сырья и продуктов. Разделим полученную базу данных на 80 % обучающую выборку и 20 % тренировочную.

Архитектура нейросетевой модели создана из слоев по типу Linear и ReLU. Графическая визуализация архитектуры модели представим на рисунке 3.

Рис. 3. Графическое представление архитектуры нейросетевой модели

Ввиду ограниченного объема выборки, для предотвращения переобучения была проведена оптимизация гиперпараметров. Экспериментальным путем было определено 50 эпох обучения как оптимальная точка достижения баланса между точностью и обобщающей способностью модели. На рисунке 4 представим процесс обучения нейросетевой модели. На рисунках 5, 6, 7, 8 представим отдельные графики обучения нейронной сети по компонентам.

Рис. 4. Процесс обучения нейросетевой модели

Рис. 5. График обучения по компоненту CH ₄

Рис. 6. График обучения по компоненту H ₂ O

Рис. 7. График обучения по компоненту H ₂

Рис. 8. График обучения по компоненту СО ₂

Как видно из рисунка 4, процесс обучения протекал стабильно; при этом признаки переобучения отсутствуют. Согласно представленным на рисунках 5, 6, 7, 8 результатам, прогнозируемые нейросетью значения располагаются в непосредственной близости от линии идеального соответствия, демонстрируя высокую точность предсказания с учетом допустимой погрешности

Для проверки адекватности работы нейросетевой модели, сравним ранее полученный результат итоговой конверсии метана при температуре 850 °С и 2,0 МПа и предсказанием нейросетевой модели.

По итогам проверки, нейросетевая модель предсказала степень конверсии метана равной 83,38 %. Таким образом, точность прогнозирования нейросетевой модели достигает практически 100 %. Столь высокий показатель объясняется текущей структурой базы данных, которая характеризуется отсутствием случайных шумов и базируется на четко определенных математических зависимостях физико-химического процесса. На данный момент, алгоритм создания нейронной сети можно представить согласно рисунку 9.

Рис. 9. Блок-схема создания нейронной сети

Вывод

Таким образом была создана нейросетевая модель, способная предсказывать продукты процесса парового риформинга в присутствии 18 %масс. NiO/Al ₂ O ₃ катализатора. Для улучшения нейросетевой модели необходимо расширять каталог катализаторов, добавлять новые зависимые переменные, влияющие на процесс парового риформинга, помимо температуры и давления. В дальнейшем при достаточном уровне обучения нейросетевой модели, предполагается возможность предсказывать продукты и их свойства с вводом произвольного компонентного состава катализатора, с учетом их физико-химических свойств.

Такие нейросетевые модели могут использоваться не только в рамках оптимизационных задач, но также в рамках разработки новых процессов, с условием того, что модель способна анализировать, рассчитывать и проверять протекание химических процессов с учетом модифицированного катализатора и варьируемых условий проведения химического процесса, что позволяет снизить как финансовые издержки, так и временные затраты на этапе научно-исследовательских и опытно-конструкторских работ. Также, данные нейросети могут использоваться в промышленности для автоматического управления процессом с учетом входных данных, как компонентный состав, температура и давления сырья для поддержания стабильного качества продукта. Таким образом, разработанные модели могут быть внедрены как в лабораторную практику, так и в промышленный сектор для комплексной оптимизации, автоматизации и интенсификации технологических процессов

Литература:

1. Министерская конференция по чистой энергии, Глобальный обзор по водороду — 2025.
2. Классификация водорода по цвету [Электронный ресурс] — URL: https://neftegaz.ru/tech-library/energoresursy-toplivo/672526-klassifikatsiya-vod oroda-po-tsvetu/ (Дата обращения 19.04.2026).
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 — Т. 2–2024 — 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 — Т. 104–2015 — С. 792–806.
6. Распространенные проблемы парового риформинга [Электронный ресурс] — URL: https://www.academia.edu/10165613/Steam_Reforming_ Common_Problems (Дата обращения: 19.04.2026).
7. 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. — № 27–127 с.
8. 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.
9. Жемулина, М. С. Подбор состава катализатора в химической промышленности на основе модели нейронной сети / М. С. Жемулина и С. М. Каратун // Инновации. Наука. Образование. — № 32. — 2021. – С. 1580–1587.
10. Открытая база данных реакций [Электронный ресурс] — URL: https://open-reaction-database.org/about (Дата обращения: 19 04 2026).
11. API-интерфесы машинного обучения [Электронный ресурс] — URL: https://kanerika.com/glossary/machine-learning-apis/ (Дата обращения: 19.04.2026).
12. Гилмер, Дж. Нейронная передача сообщений для квантовой химии / Дж. Гилмер, С. С. Шёнхольц, П. Ф. Райли и др. [Электронный ресурс] — URL: https://arxiv.org/abs/1704.01212 (Дата обращения: 19.04.2026).
13. Аббас, С. З. Изучение кинетики и моделирование процесса парового риформинга метана на катализаторе NiO/Al2O3 в адиабатическом реакторе с неподвижным слоем. / С. З. Аббас, В. Дюпон // Международный журнал водородной энергетики — Т. 42 — № 5–2017 — С. 2889–2903.
14. Паровой риформинг метана [Электронный ресурс]. URL: https://p-gas.ru/technology4 (Дата обращения: 19 04 2026).
15. Рогалев, Н. Д. Разработка и моделирование технологической схемы установки паровой конверсии метана с кислородным сжиганием топлива и улавливанием углекислого газа / Н. Д. Рогалев, А. Н. Рогалев и др. // Научно-технический вестник информационных технологий, механики и оптики — Т. 24 — № 6–2024 — С. 1049–1058.
16. Сюй, Дж. Паровой риформинг метана, метанирование и конверсия водяного газа: I. Истинная кинетика / Дж. Сюй, Г. Ф. Фромент // Журнал Американского института инженеров-химиков — Т. 35 — № 1–1989 – С. 88–96
17. Сюй, Дж. Паровая конверсия метана: II. Диффузионные ограничения и моделирование реактора / Дж. Сюй, Г. Ф. Фромент // Журнал Американского института инженеров-химиков — Т. 35 — № 1–1989 – С. 88–96
18. Тонкович, А. Л. Ю. Переход от секунд к миллисекундам и микросекундам за счет специальной конструкции микроканального реактора для парового риформинга метана / А. Л. Ю. Тонкович, Б. Ян и др. // Катализ сегодня. — Т. 120 — № 1–2007 — С. 21–29