蘇鑫，裴華健，吳迎亞，高金森，藍興英（中國石油大學(北京)重質(zhì)油國家重點實驗室，北京 102249）

?

應用經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡預測催化裂化裝置焦炭產(chǎn)率

蘇鑫，裴華健，吳迎亞，高金森，藍興英
（中國石油大學(北京)重質(zhì)油國家重點實驗室，北京 102249）

摘要：焦炭是催化裂化裝置的主要副產(chǎn)物，準確預測催化裂化焦炭產(chǎn)率對提高裝置的操作平穩(wěn)度和經(jīng)濟效益具有重要意義。人工神經(jīng)網(wǎng)絡（ANN）具有強大的自學習和自適應能力，在非線性預測方面具有明顯的優(yōu)勢。本研究將遺傳算法（GA）與BP神經(jīng)網(wǎng)絡相結(jié)合，基于某煉廠催化裂化裝置的生產(chǎn)數(shù)據(jù)，分別從原料、催化劑和操作條件3個方面選取28個關鍵影響參數(shù)建立了催化裂化焦炭產(chǎn)率預測模型，分別將BP神經(jīng)網(wǎng)絡和經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡（GA-BP）的預測結(jié)果與工業(yè)數(shù)據(jù)進行對比。結(jié)果表明，經(jīng)遺傳算法優(yōu)化的預測模型無論在預測結(jié)果的準確性還是穩(wěn)定性方面效果更好。最后，本研究還通過考察原料殘?zhí)?、反應溫度等單一關鍵參數(shù)對焦炭產(chǎn)率的影響，進一步證明了經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡預測模型的準確性。

關鍵詞：催化裂化；焦炭產(chǎn)率；神經(jīng)網(wǎng)絡；遺傳算法

第一作者：蘇鑫（1989—），男，碩士研究生。聯(lián)系人：藍興英，博士，教授。E-mail lanxy@cup.edu.cn。

催化裂化（FCC）是重質(zhì)油輕質(zhì)化的重要手段之一，可以通過將重質(zhì)原料最大程度地轉(zhuǎn)化為輕質(zhì)油和高質(zhì)量產(chǎn)品來提高煉油行業(yè)的經(jīng)濟效益。目前，我國70%的商品汽油和30%的商品柴油均來自于催化裂化裝置[1]。由于我國原油普遍偏重，目前絕大多數(shù)催化裂化裝置均為重油催化裂化（RFCC），其中95%以上的裝置摻煉渣油[2]。催化裂化是指蠟油和重質(zhì)原料油在催化劑和適宜的溫度和壓力的作用下轉(zhuǎn)化為干氣、液化氣、汽油、柴油和焦炭等。隨著原油重質(zhì)化劣質(zhì)化程度的不斷加劇，催化裂化裝置的焦炭產(chǎn)率不斷增加，嚴重影響了裝置運行的經(jīng)濟效益。催化裂化焦炭是原料發(fā)生縮合反應的產(chǎn)物，焦炭產(chǎn)率增加不但通過催化裂化反應的碳平衡使汽油、柴油等輕質(zhì)油品產(chǎn)率降低，而且生成的焦炭沉積在催化劑表面也降低了催化劑的活性使反應深度降低輕質(zhì)油品的收率下降[3]。另外，催化裂化裝置的焦炭產(chǎn)率也決定了裝置的熱平衡[4]，如果裝置焦炭產(chǎn)率波動較大會嚴重影響裝置的熱平衡，增加操作復雜性，焦炭產(chǎn)率過大還會增加再生器的負荷。因此，將催化裂化裝置焦炭產(chǎn)率控制在較低的小范圍內(nèi)波動對于裝置的生產(chǎn)操作和提高裝置的經(jīng)濟效益具有重要作用，而其前提是能夠準確地預測裝置當前運行狀態(tài)下的焦炭產(chǎn)率。焦炭產(chǎn)率不但與原料的反應情況相關而且與催化劑的再生過程關系密切。催化裂化裝置工藝復雜，連續(xù)程度高，反應機理復雜[5]，其反應過程受原料性質(zhì)、催化劑性質(zhì)以及操作條件相互影響，用傳統(tǒng)的數(shù)學模型來描述催化裂化的整個反應過程有一定的難度[6]。近年來，基于數(shù)據(jù)分析的數(shù)學建模方法已經(jīng)成為一個新的努力方向。

人工神經(jīng)網(wǎng)絡（artificial neural network，ANN）是一種可以模擬人類大腦的結(jié)構和功能的智能算法，具有強大的自學習和自適應能力以及分布并行處理能力，可以進行多變量影響程度分析和非線性預測分析，近年來得到越來越廣泛的應用[7-9]。目前，應用相對成熟的神經(jīng)網(wǎng)絡有BP神經(jīng)網(wǎng)絡[10]、GRNN神經(jīng)網(wǎng)絡、RBF網(wǎng)絡[11]等。神經(jīng)網(wǎng)絡具有以下優(yōu)點：①理論上能夠逼近任意非線性映射；②善于處理多輸入輸出問題；③能夠進行并行分布式處理；④自學習與自適應性強；⑤可同時處理多種定性和定量的數(shù)據(jù)。BP神經(jīng)網(wǎng)絡是一種多層前饋型的神經(jīng)網(wǎng)絡，該網(wǎng)絡最主要的特點就是信號向前傳遞，誤差向后傳遞。BP神經(jīng)網(wǎng)絡可以通過樣本數(shù)據(jù)訓練實現(xiàn)從n維空間到m維空間的高度非線性映射關系，應用非常廣泛[12]。但BP神經(jīng)網(wǎng)絡本身也存在一定的缺陷，其主要體現(xiàn)在開始訓練樣本階段，初始權值和閾值都是隨機生成的，其不確定性會影響到模型的映射效果，即預測精度。遺傳算法（genetic algorithm，GA）是一種并行隨機搜索最優(yōu)化方法，具有全局尋優(yōu)的特點，容易得到全局最優(yōu)解[13]。如果能將遺傳算法得到的結(jié)果作為BP神經(jīng)網(wǎng)絡的最佳初始權值和閾值再開始訓練，就可以有效地改善BP神經(jīng)網(wǎng)絡的預測準確性和穩(wěn)定性。本研究通過經(jīng)GA優(yōu)化的BP神經(jīng)網(wǎng)絡建立一個能夠準確預測催化裂化裝置焦炭產(chǎn)率的模型，以某煉廠催化裂化裝置為研究對象，對其焦炭產(chǎn)率進行預測并與工業(yè)數(shù)據(jù)進行對比分析，驗證模型預測的準確性和穩(wěn)定性。

1 焦炭產(chǎn)率預測模型的構建

1.1 數(shù)據(jù)的采集與預處理

本研究以某煉廠催化裂化反應-再生系統(tǒng)作為研究對象，通過現(xiàn)場DCS系統(tǒng)采集了2013年3月至2015年4月間約500個監(jiān)控點的數(shù)據(jù)，總共約7000萬組數(shù)據(jù)，把這些數(shù)據(jù)作為本文作者課題研究的初始數(shù)據(jù)庫。催化裂化典型的反應-再生系統(tǒng)工藝流程，如圖1所示[3]，通過對反應-再生系統(tǒng)工藝流程以及催化裂化焦炭的類型和形成途徑的了解，按照催化裂化焦炭的生成和燒焦過程，從工藝角度考慮，并結(jié)合所采集數(shù)據(jù)的質(zhì)量、頻次和特點等，分別針對原料、催化劑以及操作條件三大類參數(shù)，篩選出影響焦炭產(chǎn)率的關鍵參數(shù)，最終得到28個關鍵性影響參數(shù)，如表1所示。

圖1 催化裂化反應-再生系統(tǒng)工藝流程圖

由于某些客觀原因，比如裝置測量儀表損壞、數(shù)據(jù)信號傳輸過程中失真等因素，所采集到的數(shù)據(jù)可能出現(xiàn)異常情況，其表現(xiàn)為部分數(shù)據(jù)缺失、數(shù)據(jù)突變、數(shù)據(jù)為0或負值等。對于這些異常數(shù)據(jù)，本研究根據(jù)對催化裂化各類工藝參數(shù)的理解，對這些異常值進行預處理。數(shù)據(jù)預處理原則遵循以下幾點：①保證所選時間段的所有參數(shù)都有值；②剔除或使用臨近數(shù)據(jù)的平均值替代異常數(shù)據(jù)；③利用萊特準則剔除部分偏離均值較大的數(shù)據(jù)；④統(tǒng)一各參數(shù)的統(tǒng)計時間。

表1 影響焦炭產(chǎn)率的關鍵性參數(shù)

通過分析數(shù)據(jù)的特點，最后決定將數(shù)據(jù)的采集時間統(tǒng)一為60min，即將采集頻率小于60min的數(shù)據(jù)進行平均處理，將采集頻率大于60min的參數(shù)進行擴大化處理。按照以上思路選取現(xiàn)場裝置約兩個月的時間作為研究對象，對表1中X1～X28以及焦炭產(chǎn)率（Y1）進行預處理得到1295組數(shù)據(jù)如表2所示。

1.2 BP神經(jīng)網(wǎng)絡的構建

1.2.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡[14]是一種多層前饋型神經(jīng)網(wǎng)絡，該神經(jīng)網(wǎng)絡的主要特點是信號向前傳遞，誤差向后傳遞。BP神經(jīng)網(wǎng)絡由輸入層，隱含層和輸出層三層結(jié)構組成，如圖2所示。BP神經(jīng)網(wǎng)絡通常將S形函數(shù)（Log-Sigmoid或Tan-Sigmoid）作為傳遞函數(shù)。所謂的反向傳播學習算法就是輸入信息從輸入層經(jīng)過隱含層最后傳至輸出層。如果輸出誤差較大，那么就將誤差信號沿著原來的途徑返回進行反向?qū)W習，在返回過程中通過修改各神經(jīng)元之間的連接權值和閾值，得到新的輸出誤差，直到誤差信號最小。

表2 預處理之后的影響催化裂化焦炭產(chǎn)率部分數(shù)據(jù)

如圖2所示，輸入值為X1，X2，??，Xn，輸出值為Y1，Y2，??，Ym，連接權值為ωij和ωjk。從拓撲結(jié)構圖中看出，BP神經(jīng)網(wǎng)絡相當于一個非線性函數(shù)，將輸入值映射到輸出值。

圖2 BP神經(jīng)網(wǎng)絡拓撲結(jié)構圖

1.2.2 BP神經(jīng)網(wǎng)絡預測模型的構建

將預處理之后的1295組所有的數(shù)據(jù)參照式(1)進行歸一化處理，使其分布在0～1之間。

式中，Xnorm為歸一化后的值，X為實際輸入值，Xmax和Xmin為實際輸入值中的最大值和最小值。

將歸一化處理之后的數(shù)據(jù)分成訓練組和預測組，再利用Matlab中的newff函數(shù)創(chuàng)建BP神經(jīng)網(wǎng)絡，然后將利用新構建的神經(jīng)網(wǎng)絡模型的預測結(jié)果進行反歸一化，得到最終結(jié)果。

本研究采用輸入層、輸出層和隱含層各一層的三層BP神經(jīng)網(wǎng)絡結(jié)構。歸一化后將28個關鍵性參數(shù)作為輸入層，焦炭產(chǎn)率作為輸出層，因此輸入層和輸出層的神經(jīng)元個數(shù)分別為28和1。隱含層節(jié)點數(shù)的選擇參考式(2)[4]。

式中，m為輸入層的節(jié)點數(shù)；n為輸出層的節(jié)點數(shù)。

由式(2)可知，該神經(jīng)網(wǎng)絡的隱含層節(jié)點數(shù)在6～16之間，利用newff函數(shù)訓練樣本數(shù)據(jù)構建BP神經(jīng)網(wǎng)絡模型。選取其中的647組數(shù)據(jù)訓練BP神經(jīng)網(wǎng)絡得到預測模型，剩余的648組數(shù)據(jù)作為預測樣本驗證模型的準確性。

1.3 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡

遺傳算法是一種并行隨機搜索最優(yōu)化方法，可以在全局范圍內(nèi)進行尋優(yōu)。它模擬“優(yōu)勝劣汰，適者生存”的自然界進化原理，按照所定義的適應度函數(shù)對個體進行反復篩選，反復循環(huán)，直到滿足條件。如果能將遺傳算法尋優(yōu)得到的最優(yōu)初始權值和閾值賦予BP神經(jīng)網(wǎng)絡并開始訓練，就可改善BP神經(jīng)網(wǎng)絡模型的預測準確性和穩(wěn)定性[15-16]，其優(yōu)化過程如下：① 編碼權值或閾值并隨機產(chǎn)生一組各神經(jīng)元之間的連接權值或閾值；②輸入訓練樣本，算出它的誤差，并定義絕對誤差之和為適應度函數(shù)，若誤差越小，則適應度越小，反之適應度就大，以此為標準來評價連接權值或閾值的優(yōu)劣性；③從步驟②中篩選出絕對誤差之和較小的個體，直接將其遺傳給下一代；④通過交叉、變異等操作進化當前群體，產(chǎn)生下一代群體；⑤重復步驟②～④，這樣神經(jīng)網(wǎng)絡的初始權值或閾值得到不斷更新，直到足夠多進化代數(shù)的適應度保持不變。

2 結(jié)果與討論

2.1 BP神經(jīng)網(wǎng)絡模型預測結(jié)果分析

將預測樣本數(shù)據(jù)代入所得的BP神經(jīng)網(wǎng)絡預測模型中，計算得到每個時間點的焦炭產(chǎn)率，并根據(jù)式(3)和式(4)計算預測的相對誤差和平均相對誤差，然后在相同條件下進行20次的訓練和預測，并計算不同隱含層節(jié)點數(shù)下20次預測的平均相對誤差的平均值，如圖3所示，分別比較不同數(shù)量隱含層節(jié)點20次預測結(jié)果平均相對誤差的平均值。

由圖3可看出，當隱含層節(jié)點數(shù)為12時平均相對誤差最小，因此，認為最佳隱含層節(jié)點數(shù)為12，故BP神經(jīng)網(wǎng)絡拓撲結(jié)構為28-12-1型，本研究的后續(xù)工作均是基于該拓撲結(jié)構的BP神經(jīng)網(wǎng)絡進行討論分析的。

圖3 不同數(shù)量隱含層節(jié)點焦炭產(chǎn)率預測值的平均相對誤差

本研究使用完全相同的訓練和驗證數(shù)據(jù)庫，并保持BP神經(jīng)網(wǎng)絡相關參數(shù)不變，多次訓練和驗證發(fā)現(xiàn)結(jié)果存在一定差異，選取兩次訓練結(jié)果并根據(jù)式(3)和式(4)分別計算平均相對誤差，其結(jié)果分別為3.43%和4.33%。圖4表示了這兩次同等條件下訓練的BP神經(jīng)網(wǎng)絡預測結(jié)果誤差。從圖4中可以看出，兩次訓練結(jié)果存在差異，而且最大誤差將近25%，說明BP神經(jīng)網(wǎng)絡訓練結(jié)果不穩(wěn)定，這主要是由于BP神經(jīng)網(wǎng)絡是隨機選取初始權值和閾值，這種隨機性會造成訓練模型準確度和穩(wěn)定性都大幅降低[17]。

圖4 兩次訓練得到的BP神經(jīng)網(wǎng)絡預測結(jié)果誤差示意圖

2.2 經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡模型預測結(jié)果分析

針對BP神經(jīng)網(wǎng)絡的隨機選取初始權值和閾值的缺陷，本研究采用遺傳算法對BP神經(jīng)網(wǎng)絡的初始權值和閾值進行優(yōu)化，確定最佳的初始權值和閾值，將一定的初始權值和閾值賦予BP神經(jīng)網(wǎng)絡就可以消除其結(jié)果的隨機性，提高模型的準確性和穩(wěn)定性[18]。本研究利用遺傳算法進化1000代，得到最優(yōu)個體適應度變化曲線圖，如圖5所示。由圖5可知，最終得到的最優(yōu)個體適應度為31.697，對應的進化代數(shù)為558，之后442代適應度不再發(fā)生變化，因此，可以判定此時已達到個體最優(yōu)適應度。將該尋優(yōu)結(jié)果得到的初始權值和閾值賦予BP神經(jīng)網(wǎng)絡進行模型訓練，其多次訓練得到模型的預測結(jié)果完全一致。

圖5 遺傳算法個體適應度尋優(yōu)曲線

利用經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡得到的預測模型（GA-BP）對催化裂化的焦炭產(chǎn)率進行預測，將預測結(jié)果與工業(yè)數(shù)據(jù)進行對比分析，如圖6所示。

由圖6可以看出，經(jīng)遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡模型的預測值總體趨勢與工業(yè)數(shù)據(jù)吻合較好，基本上沒有出現(xiàn)偏差較大的預測值。由式(3)計算得到預測值的相對誤差，如圖7所示。

圖6 GA-BP神經(jīng)網(wǎng)絡預測的焦炭產(chǎn)率與工業(yè)數(shù)據(jù)對比

圖7 GA-BP神經(jīng)網(wǎng)絡預測的焦炭產(chǎn)率相對誤差

由圖7可以看出，利用經(jīng)遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡預測模型得到的焦炭產(chǎn)率的相對誤差大于10%的點僅20個左右，僅占總預測樣本數(shù)的3.1%，而且絕大多數(shù)預測值的相對誤差都在5%以下，表明該預測模型的預測效果非常好，能夠準確地對焦炭產(chǎn)率進行預測。由式(4)和式(5)計算平均相對誤差和均方誤差，其結(jié)果分別為2.94%和0.111。因此，無論是從預測結(jié)果的準確性還是預測穩(wěn)定性上來看，經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡預測模型能起到良好的預測效果。

式中，MSE為均方誤差；Xi為實際值；Yi為預測值；n為樣本數(shù)據(jù)個數(shù)。

經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡（GA-BP）和未經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡（BP）預測結(jié)果與工業(yè)數(shù)據(jù)對比如圖8。從圖8中可以看出，兩種預測模型的預測結(jié)果整體趨勢上與工業(yè)數(shù)據(jù)相符。為方便對比分析，將圖8中某段時間數(shù)據(jù)進行放大，取圖中390～430h的數(shù)據(jù)放大后如圖9所示。從圖9中可以看出，雖然兩種預測模型的預測結(jié)果在整體趨勢上與工業(yè)數(shù)據(jù)基本相符，但經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡比未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡預測預測值更接近工業(yè)數(shù)據(jù)，這主要是遺傳算法可以賦予BP神經(jīng)網(wǎng)絡最佳的初始權值和閾值，這樣便提高了預測模型的準確性。因此，遺傳算法不但可以提高BP神經(jīng)網(wǎng)絡預測的穩(wěn)定性還可以提高其準確性。

2.3 經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡模型驗證

基于上述研究，為進一步驗證所建立模型的準確性，本研究應用GA-BP神經(jīng)網(wǎng)絡預測模型考察催化裂化裝置中的某單一關鍵性影響參數(shù)對焦炭產(chǎn)率的影響，其基本思路為：使用標定工況的原料性質(zhì)、催化劑性質(zhì)和操作參數(shù)，只改變其中某一個關鍵性參數(shù)，得到一組裝置的運行工況，將這一組工況分別帶入預測模型，得到焦炭產(chǎn)率的預測值?，F(xiàn)分別從原料性質(zhì)、催化劑性質(zhì)和操作條件等方面選取幾個具有代表性的關鍵性參數(shù)進行深入研究，分析其對焦炭產(chǎn)率的影響。

圖8 BP神經(jīng)網(wǎng)絡和經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡預測結(jié)果與工業(yè)數(shù)據(jù)對比圖

圖9 某時間段內(nèi)BP神經(jīng)網(wǎng)絡和經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡預測結(jié)果與工業(yè)數(shù)據(jù)對比圖

本研究首先考察了原料殘?zhí)繉Υ呋鸦固慨a(chǎn)率的影響，其具體步驟是使用裝置標定工況控制除原料殘?zhí)恐低獾钠渌?7個操作參數(shù)不變，只改變原料油的殘?zhí)浚蛊湓谡７秶鷥?nèi)取值，得到一組的操作工況。分別將這一組操作工況代入到GA-BP預測模型中，得到不同原料殘?zhí)恐禈硕ür下的焦炭產(chǎn)率。采用類似的方法又分別考察了催化劑循環(huán)量、預混合溫度和反應溫度對催化裂化焦炭產(chǎn)率的影響，其結(jié)果如圖10～圖13所示。

圖10 原料殘?zhí)恐祵固慨a(chǎn)率的影響

圖11 催化劑循環(huán)量對焦炭產(chǎn)率的影響

圖10表示了原料殘?zhí)恐祵固慨a(chǎn)率的影響情況，由圖可見隨原料殘?zhí)恐档脑黾?，焦炭產(chǎn)率隨之增加。這主要是由于原料殘?zhí)吭黾?，原料油的瀝青質(zhì)、膠質(zhì)和稠環(huán)芳烴含量增加，而稠環(huán)芳烴正是生焦的前身物，因此焦炭產(chǎn)率會隨之增加[19]。圖11表示了催化劑循環(huán)量對焦炭產(chǎn)率的影響情況，可見隨著催化劑循環(huán)量的增大，焦炭產(chǎn)率隨之增加。這主要是由于在該催化劑循環(huán)量的取值范圍內(nèi)，催化劑循環(huán)量增加，劑油比增加，則單位質(zhì)量油氣接觸的催化劑活性中心的個數(shù)增加，反應速率和轉(zhuǎn)化率相應增加，最后導致焦炭產(chǎn)率增加。圖12表示了預混合溫度對焦炭產(chǎn)率的影響情況，可見隨預混合溫度的升高，焦炭產(chǎn)率隨之增加。這主要是由于在該預混合溫度操作范圍內(nèi)，預混合溫度越高，油氣與催化劑的溫差增大，更容易出現(xiàn)局部過熱的現(xiàn)象，使熱裂化反應程度加深，催化劑迅速積炭活性下降，催化裂化反應減弱，原料中的重組分不能與催化劑的活性中心充分接觸，降低催化裂化反應而增加熱裂化反應，焦炭產(chǎn)率升高[20]。圖13表示了反應溫度對焦炭產(chǎn)率的影響情況，可見隨著反應溫度的升高，焦炭產(chǎn)率逐漸降低但當溫度升高到一定程度時焦炭產(chǎn)率又呈上升趨勢。這主要是由于隨著反應溫度的升高催化裂化反應速率增大，同時熱裂化反應也逐漸提高，當反應溫度升高到一定程度時，熱裂化反應漸趨重要，使焦炭產(chǎn)率有所增加[21]。圖10～圖13的研究結(jié)果表明，利用GA-BP神經(jīng)網(wǎng)絡預測模型考察的原料殘?zhí)康葐我魂P鍵性影響參數(shù)對催化裂化焦炭產(chǎn)率的影響，其結(jié)果與催化裂化的反應機理完全相符，進一步證明了該預測模型的準確性。

圖12 預混合溫度對焦炭產(chǎn)率的影響

圖13 反應溫度對焦炭產(chǎn)率的影響

3 結(jié) 論

基于某煉廠催化裂化車間DCS系統(tǒng)中的生產(chǎn)數(shù)據(jù)，以原料性質(zhì)、催化劑性質(zhì)和操作條件3個方面共28個影響催化裂化焦炭產(chǎn)率的關鍵參數(shù)為輸入?yún)?shù)，所對應的焦炭產(chǎn)率作為輸出應用經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡構建催化裂化焦炭產(chǎn)率預測模型，研究結(jié)果表明利用經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡可以建立能夠準確預測催化裂化焦炭產(chǎn)率的預測模型，使用現(xiàn)場某段時間數(shù)據(jù)進行模型驗證，預測的平均相對誤差為2.94%，均方誤差為0.111。與未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡預測結(jié)果相比，遺傳算法不但可以解決BP神經(jīng)網(wǎng)絡隨機選取初始權值和閾值造成的預測結(jié)果不穩(wěn)定的問題，而且還可以通過搜索最優(yōu)的初始權值和閾值賦予BP神經(jīng)網(wǎng)絡提高模型的準確性。應用所建立的GA-BP神經(jīng)網(wǎng)絡預測模型，分別考察了原料殘?zhí)?、催化劑循環(huán)量、預混合溫度和反應溫度對焦炭產(chǎn)率的影響，其影響趨勢與催化裂化的反應機理完全相符，進一步說明了所建模型的準確性。

參 考 文 獻

[1] 許友好. 我國催化裂化工藝技術進展[J]. 中國科學（化學），2014，44（1）：13-24.

[2] 米英澤. 1.2Mt/a減壓渣油催化裂化裝置優(yōu)化技術研究[J]. 能源化工，2015，36（2）：35-38.

[3] 徐春明，楊朝合. 石油煉制工程[M]. 4版. 北京：石油工業(yè)出版社，2009：294-315.

[4] 陳俊武. 催化裂化工藝與工程[M]. 2版. 北京：中國石化出版社，2005：896-901.

[5] 栗偉. 催化裂化過程建模與應用研究[D]. 杭州：浙江大學，2010.

[6] MICHAELOPOULOS J，PAPADOKONSTADAKIS S，ARAMPATZIS G，et al. Modelling of an industrial fluid catalytic cracking unit using neural networks[J]. Chemical Engineering Research and Design，2001，79（2）：137-14.

[7] 劉春艷，凌建春，寇林元，等. GA-BP神經(jīng)網(wǎng)絡與BP神經(jīng)網(wǎng)絡性能比較[J]. 中國衛(wèi)生統(tǒng)計，2013，30（2）：173-176，181.

[8] DESWAL S，PAL M. Artificial neural network based modeling of evaporation losses in reservoirs[J]. International Journal of Mathematical，Physical and Engineering Sciences，2008，2（4）：177-181.

[9] 郝鑫. 廣義回歸神經(jīng)網(wǎng)絡和遺傳算法研究及其在化工過程建模中的應用[D]. 杭州：浙江大學，2004.

[10] 丁云，于靜江，周春暉. 原油蒸餾塔的質(zhì)量估計和優(yōu)化管理[J]. 石油煉制與化工，1994，25（5）：23-28.

[11] 王文新，潘立登，李榮，等. 常減壓蒸餾裝置雙模型結(jié)構RBF神經(jīng)網(wǎng)絡建模與應用[J]. 北京化工大學學報，2004，31（5）：23-28.

[12] 吳仕勇. 基于數(shù)值計算方法的BP神經(jīng)網(wǎng)絡及遺傳算法的優(yōu)化研究[D]. 昆明：云南師范大學，2006.

[13] 丁建立，陳增強，袁著祉. 遺傳算法與螞蟻算法的融合[J]. 計算機研究與發(fā)展，2003，40（9）：1351-1356.

[14] 王小川，史峰，郁磊，等. Matlab神經(jīng)網(wǎng)絡43個案例分析[M]. 北京：北京航空航天大學出版社，2013：1-7.

[15] 張忠洋，李澤欽，李宇龍，等. GA輔助BP神經(jīng)網(wǎng)絡預測催化裂化裝置汽油產(chǎn)率[J]. 石油煉制與化工，2014，45（7）：91-96.

[16] 侯嫚丹. 基于遺傳算法的催化裂化反再過程建模與優(yōu)化[D]. 哈爾濱：哈爾濱工業(yè)大學，2007.

[17] 江艷君，李檸，黃道. 修正初始權值的BP網(wǎng)絡在CSTR故障診斷中的應用[J]. 華東理工大學學報，2004，30（2）：207-210.

[18] 王崇駿，于汶滌，陳兆乾，等. 一種基于遺傳算法的BP神經(jīng)網(wǎng)絡算法及其應用[J]. 南京大學學報（自然科學版），2003，39（5）：459-466.

[19] 徐黎英. 渣油催化裂化的轉(zhuǎn)化率、焦炭及干氣產(chǎn)率[J]. 石油煉制與化工，1990（9）：15-21.

[20] 龔劍洪，許友好，蔡智，等. MIP-DCR工藝技術的開發(fā)與工業(yè)應用[J]. 石油煉制與化工，2013，44（3）：6-11.

[21] 江洪波，鐘貴江，寧匯，等. 重油催化裂化MIP工藝集總動力學模型[J]. 石油學報（石油加工），2010，26（6）：901-909.

·技術信息·

芳烴成套技術及應用獲國家科技進步特等獎

2015年度國家科學技術獎的評選結(jié)果近日揭曉。高效環(huán)保芳烴成套技術及應用、京滬高速鐵路工程獲得國家科學技術進步獎特等獎；多光子糾纏干涉度量學獲得國家自然科學獎一等獎；國家技術發(fā)明獎一等獎為南昌大學硅襯底LED項目；最高科學技術獎空缺。

獲得國家自然科學獎二等獎的化學類項目有：高壓下鈉和鋰單質(zhì)及二元化合物的結(jié)構與物性、活體層次定量獲取化學信號的新原理和新方法研究、分子尺度分離無機膜材料設計合成及其分離與催化性能研究、新型富勒烯的合成、石墨烯的電分析化學和生物分析化學研究、生物分子識別的分析化學基礎研究等。

獲得國家技術發(fā)明獎二等獎的化學類項目有：定向轉(zhuǎn)化多元醇的生物催化劑創(chuàng)制及其應用關鍵技術、酵母核苷酸的生物制造關鍵技術突破及產(chǎn)業(yè)高端應用、節(jié)油輪胎用高性能橡膠納米復合材料的設計及制備關鍵技術、乙烯三聚制1-己烯新型催化體系及成套工藝技術、特種液晶材料及調(diào)光膜制備技術、耐高溫雜化硅樹脂及其復合材料制備關鍵技術、基于拉伸流變的高分子材料綠色加工成型技術等。

獲得國家科學技術進步獎二等獎的化學類項目有：PTT和原位功能化PET聚合及其復合纖維制備關鍵技術與產(chǎn)業(yè)化、滿足國家第四階段汽車排放標準的清潔汽油生產(chǎn)成套技術開發(fā)與應、青海鹽湖低品位難開發(fā)鉀鹽高效利用技術、冷再生劑循環(huán)技術重油催化裂化裝置工業(yè)應用、有機氟單體及高性能氟聚合物產(chǎn)業(yè)化新技術開發(fā)、紅外吸收微粒的表面改性及在節(jié)能樹脂中的應用、有機肥作用機制和產(chǎn)業(yè)化關鍵技術研究與推廣、生物靶標導向的農(nóng)藥高效減量使用關鍵技術與應用、廢輪胎修筑高性能瀝青路面關鍵技術及工程應用等。

2015年度國家科學技術獎共授獎295項成果和7位外籍科技專家。國家自然科學獎42項，國家技術發(fā)明獎66項，國家科學技術進步獎187項，授予7名外籍科技專家國際科學技術合作獎。

研究開發(fā)

Predicting coke yield of FCC unit using genetic algorithm optimized BP neural network

SU Xin，PEI Huajian，WU Yingya，GAO Jinsen，LAN Xingying
（State Key Laboratory of Heavy Oil Processing，China University of Petroleum-Beijing，Beijing 102249，China）

Abstract：Coke is the main by-product of fluid catalytic cracking (FCC) process. It is of great significance to predict coke yield accurately to enhance stability and economic performance of FCC plant. Artificial neural network (ANN) has a strong self-learning and adaptive ability，and has obvious advantages in nonlinear forecasting. In this paper，a new model combining BP neural network and genetic algorithm (GA) was developed to predict coke yield by choosing 28 key parameters involving feedstock properties，catalyst properties and operating conditions of industrial data of FCC unit，The prediction results obtained from BP neural network and the genetic algorithm optimized BP neural network (GA-BP) were compared. The GA-BP model had a better result in both accuracy and stability. Furthermore，the influence of key parameters，such as reaction temperature，feedstock carbon residue on coke yield was investigated，which further proved the accuracy of BP neural network model optimized by genetic algorithm.

Key words：fluid catalytic cracking (FCC); coke yield; neural networks; genetic algorithm

收稿日期：2015-07-31；修改稿日期：2015-10-26。

DOI：10.16085/j.issn.1000-6613.2016.02.008

中圖分類號：TE 624

文獻標志碼：A

文章編號：1000–6613（2016）02–0389–08