Lean Six Sigma und maschinelles Lernen zur Optimierung: Vorhersage der Viskosität von Schweröl mit maschinellem Optimierung ... Reduzierung Energieverschwendung

Die Schwerölförderung stellt aufgrund der hohen Viskosität erhebliche Energie- und Betriebsherausforderungen dar, die sich direkt auf die Effizienz thermischer Rückgewinnungsprozesse auswirken. Im Tsimiroro-Feld in Madagaskar ist eine genaue Viskositätsvorhersage von entscheidender Bedeutung für die Optimierung der Dampfeinspritzung und die Reduzierung übermäßiger Energieverschwendung. In dieser Studie wird die Lean-Six-Sigma-Methodik als strukturierter Rahmen zur Beseitigung betrieblicher Mudas (Verschwendungen) im Zusammenhang mit Dampfüberverbrauch verwendet. Es wurde ein auf maschinellem Lernen basierendes Vorhersage-Framework entwickelt, das sechs verschiedene Architekturen vergleicht: lineare Regression, Polynomregression zweiten Grades, Support Vector Machine (SVM), künstliches neuronales Netzwerk (ANN), Random Forest und XGBoost. Die Ergebnisse zeigen, dass das Polynommodell zwar eine hohe statistische Präzision (R² = 0,995, RMSE = 154,62 cSt) erreicht, die Architektur des künstlichen neuronalen Netzwerks jedoch eine überlegene Robustheit (R² = 1,000, RMSE = 154,62 cSt) bei der Erfassung komplexer nichtlinearer thermischer Verhaltensweisen bietet. XGBoost und Random Forest zeigen eine konkurrenzfähige Leistung mit R²-Werten von 0,90 bzw. 0,91, während SVM die höchsten Vorhersagefehler aufweist (RMSE ¿ 780 cSt).