Урок 8: Нефтехимия и катализаторы — что работает, что нет

Чему вы научитесь

• Понимать, почему нефтехимия — одна из самых сложных и при этом самых незрелых зон industrial AI
• Различать работающие production-сценарии: soft sensors, deactivation prediction, reactor twin и recipe optimization
• Не путать research по catalyst discovery с тем, что реально внедряется на заводе сегодня
• Читать кейсы Shell, BASF и Сибура как разные уровни зрелости: production, applied R&D и enterprise digital twin
• Выбирать первый нефтехимический use case без завышенных ожиданий

Если в upstream и refinery уже есть множество понятных public cases, то в нефтехимии большая часть AI-повестки всё ещё живёт между лабораторией и applied R&D. Это не значит, что делать нечего. Это значит, что здесь особенно важно отделять production reality от красивых публикаций про «ускоренное открытие новых катализаторов».

С чего реально начинается AI в нефтехимии

flowchart TD
    A[AI-сценарий в нефтехимии] --> B{Цель — действующий процесс?}
    B -->|Да| C{Что именно улучшаем?}
    C -->|Online-качество| D[Soft sensors — прод]
    C -->|Режим реактора| E[Reactor twin — можно внедрять]
    C -->|Состояние катализатора| F[Прогноз дезактивации — пилот]
    B -->|Нет| G{Ищем новый катализатор?}
    G -->|Да| H[Поиск катализатора — только R&D]
    G -->|Нет| I[Нужна отдельная оценка]

Почему нефтехимия так тяжела для AI

Именно поэтому в нефтехимии не надо начинать с обещания «мы откроем новый катализатор при помощи AI». Правильный старт обычно прозаичнее: качество продукта, деактивация катализатора, цифровой двойник реактора, прогноз выхода и предупреждение о нестабильности режима.

Что действительно показывает Сибур

У Сибура есть один из самых важных российских кейсов для этого модуля: цифровая модель реактора на Томскнефтехиме. Компания публично писала, что создала цифровое решение для моделирования газохимических реакций, а pilot на low-density polyethylene reactor дал заметный экономический эффект. В той же публикации менеджмент говорит о суммарных modelling and optimisation benefits на уровне сотен миллионов рублей в год (SIBUR, 05.11.2020; SIBUR magazine).

Это хороший ориентир по зрелости. Сибур не обещает «автоматическое изобретение материалов», а решает production-grade задачу реактора: держать режим, считать варианты, уменьшать неопределённость и делать это на физически осмысленной модели.

BASF — сильный applied research, но не magic box

На странице BASF по AI компания прямо говорит о программе BASLEARN с Technical University of Berlin и других академических партнёрствах, направленных на практические ML-модели и математические алгоритмы для химии (BASF Innovation with AI).

Для руководителя завода здесь важен правильный вывод: BASF использует AI как R&D accelerator и productivity layer, но это не означает, что catalyst discovery already solved for production. Это означает, что сильные химические компании вкладываются в data-driven chemistry, но не подменяют production engineering лабораторной красивой картинкой.

Shell и RL в catalytic cracking

Shell фигурирует во вторичных обзорах как часть narrative про AI и RL для химической отрасли (Emerj). Но verified production-кейсы по catalytic cracking с цифрами вроде +5% fuel yield и −15% energy use в открытых источниках на 2026 не подтверждены. Поэтому такие метрики корректно использовать только как industry narrative с низкой прозрачностью и с явной пометкой «нужна проверка по первичному техническому источнику».

То есть сам вывод корректен: RL и advanced optimisation в катализатороёмких процессах реально пробуют и местами доводят до production. Но уровень публичной прозрачности здесь хуже, чем у upstream или PdM.

Где в нефтехимии value появляется быстрее всего

Что пока не надо продавать как зрелое решение

• Полностью автоматическое открытие новых катализаторов для производства.
• Универсальная LLM, которая «понимает всю химию установки» и заменяет process engineer.
• RL без симулятора и без длинного advisory stage.
• Foundation model, который обещает работать одинаково на всех реакторах и всех марках продукта.

Как читать академику по катализаторам

В 2025 году вышел большой обзор AI-Empowered Catalyst Discovery: A Survey from Classical Machine Learning Approaches to Large Language Models, который хорошо систематизирует landscape от classical ML до LLM-based approaches (arXiv:2502.13626). Параллельно есть прикладные обзоры по ML for sustainable chemistry и AI-catalyst pipelines (ACS Sustainable Chemistry; Springer).

Для CDTO это ценно не ради деталей модели, а ради правильной управленческой рамки:

• discovery — длинный R&D investment;
• optimisation of known process — production use case;
• лучший первый шаг завода обычно лежит во второй категории.

Как запускать нефтехимический AI-проект без лишних амбиций

1. Выберите один production KPI. Качество продукта, energy, catalyst deactivation, fouling или throughput — не всё сразу.

2. Начните с hybrid model. Физика процесса и инженерные ограничения должны остаться ядром; ML пусть ускоряет prediction и поиск окон оптимума.

3. Соберите lab-to-historian loop. Без надёжной связи между лабораторией и online tags soft sensor быстро теряет ценность.

4. Сразу отделите production и research-track. Если задача про новые катализаторы — это отдельная R&D-программа, а не пилот для директорской защиты на квартальный бюджет.

Где этот урок стыкуется с остальным треком

• Если речь идёт про RL для реального контура управления, вернитесь к уроку 5 этого модуля.
• Если нужен язык денег и realistic payback, переходите в p.4/02.
• Если хотите собрать open-source data and MLOps слой под reactor analytics, полезны p.9/05 и p.9/06.