歐陽(yáng)福生，劉永吉

（華東理工大學(xué) 石油加工研究所，上海 200237）

專題報(bào)道

集總動(dòng)力學(xué)模型結(jié)合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)催化裂化產(chǎn)物收率

歐陽(yáng)福生，劉永吉

（華東理工大學(xué) 石油加工研究所，上海 200237）

根據(jù)催化裂化反應(yīng)機(jī)理和多產(chǎn)異構(gòu)烷烴的重油催化裂化（MIP）工藝的特點(diǎn)，結(jié)合大量的工業(yè)數(shù)據(jù)，開展了MIP工藝過程集總動(dòng)力學(xué)模型與BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合提高目標(biāo)產(chǎn)物預(yù)測(cè)精度的研究，建立了飽和分、芳香分、膠質(zhì)+瀝青質(zhì)、柴油、汽油、液化氣、干氣和焦炭8個(gè)集總反應(yīng)網(wǎng)絡(luò)，結(jié)合龍格庫(kù)塔法與遺傳算法求得該集總模型的47個(gè)動(dòng)力學(xué)參數(shù)。實(shí)驗(yàn)結(jié)果表明，所求得的動(dòng)力學(xué)參數(shù)能較好地體現(xiàn)催化裂化反應(yīng)規(guī)律；模型對(duì)產(chǎn)物分布的模擬計(jì)算相對(duì)偏差均小于5%，采用14-7-5結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)與集總模型相結(jié)合，可進(jìn)一步提高模型對(duì)產(chǎn)物分布的預(yù)測(cè)精度，為重油催化裂化的模擬優(yōu)化提供了一個(gè)新的方向。

催化裂化；MIP工藝；集總模型；神經(jīng)網(wǎng)絡(luò)

催化裂化（FCC）是重質(zhì)油加工的核心技術(shù)之一，是生產(chǎn)汽油、柴油和低碳烯烴的主要手段［1］。為滿足汽油質(zhì)量快速升級(jí)和適應(yīng)重油資源高效利用的要求，國(guó)內(nèi)開發(fā)了一系列降低汽油烯烴含量和多產(chǎn)丙烯的催化裂化新工藝，如多產(chǎn)異構(gòu)烷烴的重油催化裂化（MIP ）工藝［2］、兩段提升管催化裂化（TSRFCC）工藝［3］、靈活多效催化裂化（FDFCC）工藝［4］等。進(jìn)一步研究這些工藝過程的動(dòng)力學(xué)模型對(duì)指導(dǎo)過程模擬優(yōu)化具有非常重要的意義。集總方法是研究催化裂化這種復(fù)雜反應(yīng)體系動(dòng)力學(xué)的有效手段［5-6］。針對(duì)上述幾種新工藝及相關(guān)反應(yīng)機(jī)理，先后有學(xué)者建立了TSRFCC工藝的6集總模型［7］、FDFCC工藝重油提升管的10集總［8］和12集總模型［9］及MIP工藝的12集總模型［10］。但機(jī)理建模的建立過于理想化，不能完全模擬出實(shí)際工業(yè)過程中的不確定和干擾，降低了機(jī)理模型的精確度；此外，大多數(shù)的化工過程都難以用準(zhǔn)確的機(jī)理來(lái)描述，這大大增加了建模難度和精確度。

人工神經(jīng)網(wǎng)絡(luò)能在過程機(jī)理不明或過于復(fù)雜的情況下尋找系統(tǒng)過程輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的相關(guān)關(guān)系，從而建立過程數(shù)學(xué)模型［11］。神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的自適應(yīng)、自組織、自學(xué)習(xí)和非線性擬合能力，因此，它在化工領(lǐng)域尤其是在一些復(fù)雜過程中得到了廣泛的應(yīng)用［12-14］。

本工作根據(jù)催化裂化反應(yīng)機(jī)理和MIP工藝的特點(diǎn)，結(jié)合大量的工業(yè)數(shù)據(jù)，開展了MIP工藝過程的集總動(dòng)力學(xué)模型與BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合預(yù)測(cè)目標(biāo)產(chǎn)物精度的研究，以提高目標(biāo)產(chǎn)物的預(yù)測(cè)精度。

1 模型集總反應(yīng)網(wǎng)絡(luò)和動(dòng)力學(xué)方程的建立

許多研究將催化裂化原料油按烴類族組成進(jìn)行集總劃分，但目前大多數(shù)工廠通常采用飽和分、芳香分、膠質(zhì)和瀝青質(zhì)4個(gè)組分來(lái)表示重質(zhì)原料油的組成，同時(shí)考慮到膠質(zhì)與瀝青質(zhì)反應(yīng)特性相似，且二者含量，尤其是瀝青質(zhì)含量很低，將原料油分成飽和分、芳香分、膠質(zhì)和瀝青質(zhì)3個(gè)集總，這樣劃分很大程度上簡(jiǎn)化了反應(yīng)網(wǎng)絡(luò)。本工作所采集的大量工業(yè)裝置數(shù)據(jù)是根據(jù)實(shí)時(shí)數(shù)據(jù)整理得到的，無(wú)法獲得相對(duì)應(yīng)的柴油、汽油和氣體的詳細(xì)組成數(shù)據(jù)，因此，將產(chǎn)物分為柴油、汽油、液化氣、干氣和焦炭5個(gè)集總。

MIP工藝的提升管反應(yīng)器見圖1。反應(yīng)器包含2個(gè)反應(yīng)區(qū)［2］，第一反應(yīng)區(qū)以裂化反應(yīng)為主，采用高溫、短接觸和大劑油比操作；第二反應(yīng)區(qū)主要是通過采用較低的反應(yīng)溫度和較長(zhǎng)的反應(yīng)時(shí)間來(lái)強(qiáng)化氫轉(zhuǎn)移和異構(gòu)化反應(yīng)，實(shí)現(xiàn)汽油中的烯烴含量的降低和異構(gòu)烷烴含量的增加，同時(shí)抑制二次裂化。但是兩個(gè)反應(yīng)區(qū)發(fā)生的反應(yīng)本質(zhì)上是相同的，只是不同反應(yīng)發(fā)生的比例有所變化，所以采用同一個(gè)反應(yīng)網(wǎng)絡(luò)進(jìn)行描述。

MIP工藝8集總反應(yīng)網(wǎng)絡(luò)見圖2?？偡磻?yīng)網(wǎng)絡(luò)共計(jì)包含22個(gè)反應(yīng)。

圖1 MIP工藝的提升管反應(yīng)器Fig.1 Sketch of riser reactor in maximizing iso-paraffins(MIP) process.

圖2 MIP工藝8集總反應(yīng)網(wǎng)絡(luò)Fig.2 8-Lump kinetic model for MIP process.HS：saturates of heavy oil；HA：aromatics of heavy oil；HR：asphaltenes and resins of heavy oil；D：diesel；G：gasoline；LPG：liquefied petroleum gas.

本工作對(duì)模型的基本假設(shè)參照文獻(xiàn)［8］，考慮催化劑的重芳烴失活與堿氮失活等其他因素的影響，忽略質(zhì)點(diǎn)內(nèi)擴(kuò)散，因此，由連續(xù)性方程和反應(yīng)速率方程可推導(dǎo)得出模型的基本方程，見式（1）。

2 動(dòng)力學(xué)參數(shù)的求取和分析

模型中的動(dòng)力學(xué)參數(shù)通過MATLAB編程計(jì)算，利用其內(nèi)置的龍格庫(kù)塔法［15］求解模型微分方程，同時(shí)應(yīng)用遺傳算法［16］優(yōu)化目標(biāo)函數(shù)。待優(yōu)化的目標(biāo)函數(shù)（func）見式（2）。

首先假設(shè)一組活化能與指前因子為遺傳算法的初值，然后利用Arrhennius方程計(jì)算出2個(gè)反應(yīng)區(qū)的反應(yīng)速率值，解出模型的基本方程，從而求得目標(biāo)函數(shù)值。遺傳算法通過不斷選擇、變異、交叉不斷優(yōu)化活化能與指前因子數(shù)值，使目標(biāo)函數(shù)值最小。

本工作估計(jì)動(dòng)力學(xué)參數(shù)的數(shù)據(jù)來(lái)源于國(guó)內(nèi)某煉油廠MIP裝置2014年6月10日至2014年10月30日的生產(chǎn)實(shí)測(cè)數(shù)據(jù)，共120組，其中，代表性的30組原料油和催化劑性質(zhì)的數(shù)據(jù)見表1，操作條件數(shù)據(jù)見表2。表中的數(shù)據(jù)前10組用于模型的計(jì)算，后20組以及未列出的90組數(shù)據(jù)用于模型的驗(yàn)證。計(jì)算結(jié)果見表3。

表1 MIP工業(yè)裝置原料油和催化劑的性質(zhì)Table 1 The properties of feedstock and catalyst of MIP industrial units

表2 MIP工藝操作條件Table 2 The operating conditions of MIP process

表3 8集總模型動(dòng)力學(xué)參數(shù)Table 3 The kinetic parameters of the 8-lumped kinetic model for MIP process

從表3可看出：1）原料油3個(gè)集總飽和分、芳香分、膠質(zhì)和瀝青質(zhì)裂化生成小分子的反應(yīng)速率常數(shù)（kn）明顯大于柴油和汽油裂化生成小分子的反應(yīng)速率常數(shù)。同時(shí)飽和分、芳香分、膠質(zhì)和瀝青質(zhì)裂化生成小分子的活化能也明顯小于柴油、汽油裂化生成小分子的活化能，因此，大分子烴類化合物比小分子更容易裂化，且裂化反應(yīng)速率更快，與催化裂化反應(yīng)規(guī)律相符。2）總體來(lái)說(shuō)，飽和分裂化生成小分子的反應(yīng)速率常數(shù)的和（k1+k2+k3+k4+k5）最大，芳香分次之（k6+k7+k8+k9+k10），膠質(zhì)和瀝青質(zhì)最?。╧11+k12+k13+k14+k15），表明飽和分裂化生成小分子的反應(yīng)速率更快，芳香分次之，膠質(zhì)和瀝青質(zhì)最慢。3）飽和分和芳香分生成汽柴油的反應(yīng)速率常數(shù)遠(yuǎn)大于膠質(zhì)和瀝青質(zhì)生成汽柴油的反應(yīng)速率常數(shù)，且遠(yuǎn)大于它們生成裂化氣（k3+k4，k8+k9）、焦炭（k5，k10）的速率常數(shù)，說(shuō)明汽柴油主要來(lái)自于飽和分和芳香分的裂化。芳香分生成柴油的反應(yīng)速率常數(shù)（k6）略大于生成汽油的反應(yīng)速率常數(shù)（k7），這是由于芳香分中芳環(huán)上的側(cè)鏈容易斷裂成小分子的烷烴和烯烴，但是芳香環(huán)本身十分穩(wěn)定，難發(fā)生開環(huán)反應(yīng)，直接進(jìn)入柴油中，因此芳香分是柴油的主要來(lái)源之一。4）對(duì)于生成干氣的反應(yīng)速率常數(shù)，飽和分（k4）＜芳香分（k9）＜膠質(zhì)和瀝青質(zhì)（k14），且柴油（k18）和汽油（k21）的反應(yīng)速率常數(shù)遠(yuǎn)小于前三者。同時(shí)對(duì)應(yīng)反應(yīng)的活化能E4＞E9＞E14，且遠(yuǎn)小于E18和E21。因此柴油與汽油很難深度裂化成干氣，膠質(zhì)和瀝青質(zhì)對(duì)生成干氣的貢獻(xiàn)最大。5）從生焦反應(yīng)速率常數(shù)看，飽和分（k5）＜芳香分（k10）＜膠質(zhì)和瀝青質(zhì)（k15），且柴油（k19）和汽油（k22）的反應(yīng)速率常數(shù)遠(yuǎn)小于前三者。同時(shí)對(duì)應(yīng)反應(yīng)的活化能E5＞E10＞E15，且遠(yuǎn)小于E19和E22。因此膠質(zhì)和瀝青質(zhì)對(duì)生焦的貢獻(xiàn)最大。從催化裂化反應(yīng)機(jī)理來(lái)看，膠質(zhì)和瀝青質(zhì)是原油中最重的組分，含有多個(gè)芳環(huán)和環(huán)烷環(huán)雜合而成的稠環(huán)結(jié)構(gòu)，在這些環(huán)上往往還帶有較多的烷基鏈，此外，分子中還有較多的雜原子，這些烷基鏈易斷裂生成裂化氣，而稠環(huán)部分則易發(fā)生縮合反應(yīng)而生成焦炭。因此，膠質(zhì)和瀝青質(zhì)反應(yīng)是裂化氣和焦炭的主要來(lái)源。

3 模型的驗(yàn)證

為驗(yàn)證所求得的模型動(dòng)力學(xué)參數(shù)的可靠性，圖3給出了產(chǎn)物分布的實(shí)際值和模型計(jì)算值之間的相對(duì)誤差。從圖3可看出，用于模型驗(yàn)證的110組數(shù)據(jù)的相對(duì)誤差幾乎全部小于10%，且經(jīng)計(jì)算產(chǎn)物分布的平均相對(duì)誤差均小于5%。說(shuō)明所求得的模型動(dòng)力學(xué)參數(shù)是可靠的。

圖3 產(chǎn)品分布的模型計(jì)算值與實(shí)際值的相對(duì)誤差Fig.3 Relative error of product distribution between the model-calculated values with the commercial data.

4 BP神經(jīng)網(wǎng)絡(luò)的建立及其對(duì)集總動(dòng)力學(xué)模型的修正結(jié)果

BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，這種網(wǎng)絡(luò)不僅含有輸入節(jié)點(diǎn)、輸出節(jié)點(diǎn)，且還含有一層或者多層隱含節(jié)點(diǎn)。對(duì)輸入信息，首先向前傳播到隱含層的節(jié)點(diǎn)上，然后經(jīng)各單元的映射函數(shù)運(yùn)算后，把隱含節(jié)點(diǎn)的輸出信息傳播到輸出節(jié)點(diǎn)，最后給出輸出結(jié)果。

本工作采用含有一個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)，即3層神經(jīng)網(wǎng)絡(luò)，同時(shí)選取表1與表2中的原料組成及性質(zhì)、催化劑性質(zhì)、操作條件等共14組變量為BP神經(jīng)網(wǎng)絡(luò)的輸入，用集總模型計(jì)算的各產(chǎn)物收率與實(shí)際值的相對(duì)誤差，共5組變量為輸出。其中，后100組數(shù)據(jù)用來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，前20組數(shù)據(jù)用來(lái)驗(yàn)證神經(jīng)網(wǎng)絡(luò)。雖然BP網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)有相應(yīng)公式可計(jì)算，但實(shí)際應(yīng)用過程中仍需選取不同的隱含層神經(jīng)元個(gè)數(shù)建立不同的神經(jīng)網(wǎng)絡(luò)，對(duì)其進(jìn)行訓(xùn)練，然后檢驗(yàn)?zāi)Ｐ停⒏鶕?jù)相對(duì)誤差最小的原則來(lái)選擇適宜的神經(jīng)元的個(gè)數(shù)，結(jié)果見圖4。由圖4可見，最佳隱含層神經(jīng)元個(gè)數(shù)為7，因此本研究建立14-7-5結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)。

圖4 隱層神經(jīng)元個(gè)數(shù)對(duì)模型誤差的影響Fig.4 Effect of the nodes of hidden layer on average relative error for BP.

集總模型用神經(jīng)網(wǎng)絡(luò)模型修正后采用20組樣本驗(yàn)證的相對(duì)誤差統(tǒng)計(jì)見表4。由表4中數(shù)據(jù)可以看出，機(jī)理模型與神經(jīng)網(wǎng)絡(luò)結(jié)合后，各產(chǎn)品預(yù)測(cè)誤差均有較明顯下降（平均下降約1.32百分點(diǎn)），體現(xiàn)了混合模型的優(yōu)越性。

表4 20組驗(yàn)證樣本相對(duì)誤差Table 4 Relative errors of 20 groups of samples

5 結(jié)論

1）根據(jù)催化裂化反應(yīng)機(jī)理和MIP工藝的特點(diǎn)，并結(jié)合工業(yè)數(shù)據(jù)，建立了該工藝的8集總反應(yīng)網(wǎng)絡(luò)。

2）利用工業(yè)數(shù)據(jù)，通過參數(shù)估計(jì)確定了模型的47個(gè)動(dòng)力學(xué)參數(shù)，且模型參數(shù)可靠，并能與催化裂化反應(yīng)規(guī)律較好地吻合。

3）通過將集總動(dòng)力學(xué)模型與有7個(gè)隱含層神經(jīng)元個(gè)數(shù)的BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，可進(jìn)一步提高模型對(duì)產(chǎn)物分布的預(yù)測(cè)精度，為重油催化裂化的模擬優(yōu)化提供了一個(gè)新的方向。

符 號(hào) 說(shuō) 明

a 組分向量

f（A） 重芳烴吸附失活函數(shù)

f（N） 堿氮吸附失活函數(shù)

K 所有反應(yīng)速率常數(shù)組成的矩陣

kA催化劑芳烴吸附失活系數(shù)

kN催化劑堿氮吸附失活系數(shù)

kn反應(yīng)速率常數(shù)

MW氣相混合物的平均摩爾質(zhì)量，kg/mol

p 反應(yīng)壓力，Pa

R 氣體常數(shù)，8.314 J/（mol·k）

SWH重時(shí)空速，h-1，可用近似計(jì)算

T 反應(yīng)溫度，K

tc催化劑停留時(shí)間，s

wA原料中芳烴的質(zhì)量含量，%

wN原料中堿氮的質(zhì)量含量，%

x 無(wú)因次反應(yīng)器長(zhǎng)度

α 催化劑生焦失活系數(shù)

φC/O劑油比

φ（tc） 催化劑時(shí)變失活函數(shù)

［1］ 許友好. 我國(guó)催化裂化工藝技術(shù)進(jìn)展［J］.中國(guó)科學(xué)：化學(xué)，2014，44（1）：13-24

［2］ 許友好，張久順，龍軍. 生產(chǎn)清潔汽油組分的催化裂化新工藝MIP［J］.石油煉制與化工，2001，32（8）：1-5.

［3］ 楊朝合，山紅紅，張建芳. 兩段提升管催化裂化系列技術(shù)［J］.煉油技術(shù)與工程，2005，35（3）：28-33.

［4］ 劉昱. 靈活雙效催化裂化（FDFCC）工藝的工程設(shè)計(jì)及工業(yè)應(yīng)用［J］.煉油設(shè)計(jì)，2002，32（8）：24-28.

［5］ Weekman V W，Jacob S M，Gross B，et al. A lumping and reaction scheme for catalytic cracking［J］.Aiche J，1976，22（4）：701-713

［6］ 熊凱，盧春喜. 催化裂化（裂解）集總反應(yīng)動(dòng)力學(xué)模型研究進(jìn)展［J］.石油學(xué)報(bào)：石油加工，2015，31（2）：293-306.

［7］ 劉熠斌，楊朝合，山紅紅，等. 提高汽、柴油收率的兩段提升管催化裂化動(dòng)力學(xué)模型研究及應(yīng)用 ［J］.石油學(xué)報(bào)：石油加工，2007，23（5）：7-14.

［8］ 歐陽(yáng)福生，凌巧，虞正愷. 靈活多效催化裂化工藝反應(yīng)動(dòng)力學(xué)模型研究［J］.高?；瘜W(xué)工程學(xué)報(bào)，2015，29（5）：1106-1113.

［9］ 吳飛躍，翁惠新，羅世賢. FDFCC工藝中重油提升管催化裂化反應(yīng)動(dòng)力學(xué)模型［J］.石油學(xué)報(bào)：石油加工，2008，24（5）：540-547.

［10］ 江洪波，鐘貴江，寧匯，等. 重油催化裂化MIP工藝集總動(dòng)力學(xué)模型［J］.石油學(xué)報(bào)：石油加工，2010，26（6）：901-908.

［11］ Hopf i eld J J. Neural networks and physical systems with emergent collective computational abilities［J］.Proc Natl Acad Sci USA，1982，79（8）：2554-2558.

［12］ Mihet M，Cristea V M，Agachi P S. FCCU simulation based on fi rst principle and artif i cial neural network models［J］.Asia-Pac J Chem Eng，2009，4（6）：878-884.

［13］ Li Quanshan，Li Dayu，Cao Liulin. Modeling and optimum operating conditions for FCCU using artif i cial neural network［J］.J Cent South Univ，2015，22（4）：1342-1349.

［14］ 楊文劍，張洋，張小慶，等. 集總動(dòng)力學(xué)-BP神經(jīng)網(wǎng)絡(luò)混合模型用于預(yù)測(cè)延遲焦化裝置液體產(chǎn)品產(chǎn)率［J］.石油煉制與化工，2015，46（7）：101-106.

［15］ 程正興，李水根. 數(shù)值逼近與常微分方程數(shù)值解［M］.西安：西安交通大學(xué)出版社，2000：284-293.

［16］ 周明，孫樹棟. 遺傳算法原理及應(yīng)用［M］.北京：國(guó)防工業(yè)出版社，1999：123-138.

（編輯 平春霞）

Prediction of the product yield from catalytic cracking process by lumped kinetic model combined with neural network

Ouyang Fusheng，Liu Yongji
（Research Center of Petroleum Processing，East China University of Science and Technology，Shanghai 200237，China）

Based on the reaction mechanism of heavy oil catalytic cracking and the characteristics of maximizing iso-paraff i ns(MIP) process and combined with a large amount of industrial data，the reaction network of an 8-lump kinetic model including saturates，aromatics，asphaltenes+resins，diesel，gasoline liquefied gas，dry gas and coke for the process was developed. And then the 47 kinetic parameters for the model were calculated by the combination of Runge-Kutta method and genetic algorithm. The results showed that good consistence with the reaction mechanism of heavy oil catalytic cracking，the average relative errors between calculated values and actual values of products are all less than 5%. Combining the lumped model with the 14-7-5 type of BP neural network can further improve the prediction accuracy of the product distribution，which provides a new direction for simulation and optimization for heavy oil catalytic cracking.

catalytic cracking；MIP process；lumped model；neural network

1000-8144（2017）01-0009-08

TE 624

A

10.3969/j.issn.1000-8144.2017.01.002

2016-08-10；［修改稿日期］2016-10-11。

歐陽(yáng)福生（1964—），男，江西省贛州市人，博士，教授，電話 021-64252836，電郵 ouyfsh@ecust.edu.cn。