Вестник нефтегазовой отрасли КазахстанаВестник нефтегазовой отрасли Казахстана2707-42262957-806XKMG Engineering10901510.54859/kjogi109015Design of a Combined Isomerization-Catalytic Reforming Unit for Increasing Gasoline Octane Number Using an AI-Based Quality Prediction ModelAbdigaliAruzhan<p>Master's student of OP 7M07101 - Chemical Engineering</p>abdigali_aa_1@enu.kzhttps://orcid.org/0009-0005-9636-622XAikenovaNuriya<p>Senior Lecturer, PhD</p>aikenova_nye@enu.kzhttps://orcid.org/0000-0002-1144-4008ZhakhanshaevaZhansaya<p>student of OP 6B05306 - Chemistry of organic substances and polymers</p>zhakhanshayeva_zhn@enu.kzhttps://orcid.org/0009-0009-1804-0549L.N. Gumilyov Eurasian National University831106202621092026Copyright © , Abdigali A., Aikenova N., Zhakhanshaeva Z.<p style="font-weight: 400;">This study presents the design of a combined octane-boosting system employing two complementary technologies: light naphtha isomerization with a deisopentanizer (DIP) recycle for producing AI-92 gasoline, and catalytic reforming for producing AI-95 and AI-98 grades. Three commercial gasoline grades were characterized using pycnometric density measurements, capillary viscometry, and thermogravimetric analysis (TGA) coupled with differential thermal analysis (DTA). The physicochemical data were used as input features for machine learning models (Linear Regression, k-Nearest Neighbors, Decision Tree) to predict the research octane number (RON).</p> <p style="font-weight: 400;">A comprehensive mathematical model was developed for both process units: (1) a pseudo-first-order kinetic model for n-pentane and n-hexane isomerization on Pt/Al₂O₃ chlorinated catalyst with material and heat balance calculations for the isomerization reactor and DIP column; and (2) a kinetic dehydrogenation model for the catalytic reforming reactor with material balance, heat balance, and reformate yield calculations. The isomerization unit achieves a product RON of 87–88 suitable for AI-92 blending, while the reforming unit produces reformate with RON 95–100 for AI-95 and AI-98 grade production. A techno-economic analysis confirmed the feasibility of the combined configuration.</p>gasoline octane numberartificial intelligencemachine learningisomerizationcatalytic reforminglight naphthakinetic modelmaterial balanceheat balancerefinery design.бензиннің октан саныжасанды интеллектмашиналық оқытуизомерленукаталитикалық риформингжеңіл нафтакинетикалық модельматериалдық балансжылу балансымұнай өңдеу зауытының дизайны.Октановое число бензинаискусственный интеллектмашинное обучениеизомеризациякаталитический риформинглегкая нафтакинетическая модельматериальный баланстепловой баланспроектирование нефтеперерабатывающего завода.<p>Производство высокооктанового бензина, отвечающего строгим экологическим стандартам, таким как «Евро-5», представляет собой серьезную задачу для нефтеперерабатывающей промышленности во всем мире, и в частности в Казахстане, где программы модернизации нефтеперерабатывающих заводов направлены на отказ от низкооктановых марок (например, А-80) и производство топлива, соответствующего требованиям «Евро-4»/«Евро-5» [1]. В то же время стремительное развитие искусственного интеллекта (ИИ) и цифровизации объявлено стратегическим национальным приоритетом [2].</p> <p>В нефтеперерабатывающей отрасли для повышения октанового числа бензина наиболее широко используются две основные технологии: каталитический риформинг и изомеризация [3,4]. Каталитический риформинг преобразует нафту (фракция C₇–C₁₀) в высокооктановый риформат за счет дегидрирования нафтенов в ароматические углеводороды, изомеризации и дегидроциклизации. Реформат обладает высоким октановым числом (RON) 95–102, что делает его основным компонентом для купажирования высокооктановых марок бензина AI-95 и AI-98 [4]. Однако реформат содержит значительные количества ароматических углеводородов и бензола, содержание которых регулируется современным экологическим законодательством [3].</p> <p>В отличие от этого, при изомеризации лёгкой нафты прямоцепочечные парафины C₅/C₆ преобразуются в их разветвлённые изомеры, в результате чего получается изомерат, не содержащий серы, бензола и олефинов, с октановым числом до 92 в зависимости от конфигурации технологического процесса [3,6,7]. Это делает изомерат идеальным компонентом для купажирования бензина марки AI-92 и ценным дополнением к бензиновому пулу для снижения общего содержания ароматических углеводородов.</p> <p>Сочетание изомеризации и каталитического риформинга в рамках единой схемы нефтепереработки широко признано наиболее эффективной стратегией для удовлетворения всего спектра требований к качеству бензина: изомеризация обрабатывает фракцию легкой нафты для получения чистого базового сырья AI-92, в то время как каталитический риформинг усовершенствует фракцию тяжелой нафты, обеспечивая высокооктановый риформат, необходимый для AI-95 и AI-98 [3,4,6]. Этот интегрированный подход позволяет максимально эффективно использовать весь диапазон дистилляции нафты.</p> <p>Недавние достижения в области машинного обучения позволили создать мощные инструменты для прогнозирования свойств топлива. Lin et al. (2025) разработали структуру на основе разреженного автокодера и ансамблевого обучения для прогнозирования потери октанового числа при гидроочистке [8]. Bounaceur и др. (2024) предложили модель QSPR на основе глубокого обучения для оценки RON, MON и цетанового числа [9]. Эти исследования демонстрируют, что ИИ может служить надежной замещающей моделью в рамках цикла проектирования нефтеперерабатывающего завода [8–10].</p> <p>Целью данной работы является проектирование комбинированной установки изомеризации и каталитического риформинга с использованием модели на основе искусственного интеллекта для прогнозирования качества бензина. Конкретные задачи включают: (1) экспериментальную характеристику трех коммерческих марок бензина; (2) разработку и сравнение моделей машинного обучения для прогнозирования октанового числа; (3) проектирование установки изомеризации лёгкой нафты с рециркуляцией DIP для производства AI-92; (4) проектирование установки каталитического риформинга для производства AI-95 и AI-98; (5) комплексное математическое моделирование обеих установок; и (6) технико-экономическая оценка.</p> <p>В данном исследовании была продемонстрирована конструкция комбинированной системы изомеризации-каталитического риформинга для производства полного спектра товарных марок бензина, интегрированная с моделью прогнозирования качества на основе искусственного интеллекта. Основные результаты:<br>Физико-химическая характеристика трех товарных марок бензина (AI-92, AI-95, AI-98) выявила сильную корреляцию между плотностью, вязкостью и октановым числом (|r| ≈ 0,99), подтверждая, что эти параметры являются надежными характеристиками машинного обучения. Модель дерева решений обеспечила точное прогнозирование октанового числа (MAE = 0,00, R² = 1,00) для всех трех марок.<br>Для производства AI-92 была разработана установка изомеризации легкой нафты с рециркуляцией DIP. Математическая модель включает кинетику псевдопервого порядка (Ea = 105,4 кДж/моль для н-С₅), материальный и тепловой балансы, подтверждающие работу реактора в условиях, близких к изотермическим (ΔT = 0,017 °C), и конструкцию колонны DIP Маккейба-Тиле (70 тарелок, D = 5,0 м, R = 7,54). Изомерат с октановым числом RON = 87,4 служит основным компонентом для смешивания бензина AI-92.</p> <p>Для производства AI-95 и AI-98 была разработана установка каталитического риформинга с тремя полурегенеративными реакторами. Кинетическая модель включает кинетику дегидрирования Лангмюра-Хиншелвуда и соответствующие материальные/тепловые балансы. Риформат с октановым числом 98,5 при 500 °C и выходом жидкости 85,4% обеспечивает высокооктановую основу для AI-95 (смешанный октан 95,3) и AI-98 (смешанный октан 98,2).<br>Технико-экономический анализ подтвердил жизнеспособность комбинированной системы: рентабельность инвестиций в изомеризацию ≈22%/год (срок окупаемости 3,5–4,0 года), рентабельность инвестиций в риформинг ≈25%/год (срок окупаемости 3,0–3,5 года). Совокупные капитальные затраты составляют 83–105 млн долларов США, а смешанная рентабельность инвестиций — около 24%/год.</p> <p>Анализ смешивания бензина показал, что полный спектр товарных марок может быть получен путем регулирования пропорций изомерата, риформата низкой и высокой степени очистки в смеси.<br>В дальнейшем следует расширить набор данных для обучения машинного обучения, проверить математические модели с помощью моделирования в Aspen HYSYS и оптимизировать стратегию смешивания с помощью многоцелевой оптимизации.</p> <p></p> <p></p> <p></p>1.International Energy Agency. Kazakhstan Energy Profile. 2022. https://www.iea.org/reports/kazakhstan.2.Tokayev, K.-J. Address of the President of the Republic of Kazakhstan, 2025.3.Osman, M.A.; Mujtaba, I.M. Experiment and Simulation of an Optimum Design of Naphtha Recycle Isomerization Unit. Processes 2023, 11, 3406.4.Jechura, J. Gasoline Upgrading. CBEN 409 Lecture Notes, Colorado School of Mines, 2019.5.Wikipedia. Alkylation unit. Available online: https://en.wikipedia.org/wiki/Alkylation_unit6.Axens. How to Achieve Gasoline Pool Octane Requirement. 2023.7.KBR. MAX-ISOM Isomerization Technology. 2023.8.Lin, Y.; et al. AI-Based Prediction Framework for Octane Loss during Gasoline Hydrotreating. Preprints 2025, 202504.2593.9.Bounaceur, R.; et al. A Multimodal Learning Model for RON, MON and CN estimation. Fuel 2024, 381, 133295.10.Design of novel high-performance fuels with artificial intelligence. Appl. Energy Combust. Sci. 2025, 21, 100338.11.Mohamed, M.F.; et al. Improving gasoline quality from MIDOR light naphtha isomerization unit. Egypt. J. Pet. 2017, 26, 111–124.12.Muhammed, N.I.; et al. Raising the RON using optimized SMB technology. Fuel 2023, 337, 127178.13.Benavides, A.; et al. Predicting octane number. Processes 2023, 11(5), 1437.14.Brudzewski, K.; et al. Gasoline quality prediction using electronic nose. Fuel 2006, 85(5–6), 553–559.15.Al Ibrahim, E.; Farooq, A. Octane prediction from infrared spectroscopy. Energy Fuels 2019, 33(11), 11027–11036.16.Brown, M.E. Introduction to Thermal Analysis, 2nd ed.; Springer: 2001.17.Kumari, A.; et al. Petroleum Product Analysis. Energy Sources, Part A 2025.18.Pedregosa, F.; et al. Scikit-learn: Machine Learning in Python. JMLR 2011, 12, 2825–2830.19.Fix, E.; Hodges, J.L. Discriminatory Analysis. Int. Stat. Rev. 1989, 57, 238–247.20.Breiman, L.; et al. Classification and Regression Trees; CRC Press: 1984.21.Trost, T.; et al. Rheological Properties of Fuels. Fuels 2021, 2, 289–303.22.Kashyap, D.; et al. Gasoline Composition and Engine Performance. Energies 2024, 17, 4567.23.Volkova, G.G.; et al. Kinetics of n-Pentane Isomerization over Pt/Al₂O₃. React. Kinet. Catal. Lett. 2007, 91, 63–70.24.Chuzlov, V.A.; et al. Mathematical Modeling of Light Naphtha Isomerization. Chem. Eng. J. 2019, 378, 122178.25.Seader, J.D.; Henley, E.J. Separation Process Principles, 3rd ed.; Wiley: 2011.26.Ancheyta-Juárez, J.; Villafuerte-Macías, E. Kinetic Modeling of Naphtha Catalytic Reforming Reactions. Energy Fuels 2000, 14(5), 1032–1037.27.Rahimpour, M.R.; et al. A novel dynamic modeling and simulation of industrial naphtha reformer. Chem. Eng. Process. 2003, 42(1), 67–82.28.Smith, R.B. Kinetic Analysis of Naphtha Reforming with Platinum Catalyst. Chem. Eng. Prog. 1959, 55(6), 76–80.