国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx

基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法優(yōu)化S Zorb裝置汽油辛烷值損失

2021-07-14 07:23:14歐陽福生趙明洋
石油煉制與化工 2021年7期
關(guān)鍵詞:原料油硫含量汽油

高 萍,劉 松,程 順,歐陽福生,趙明洋

(1.華東理工大學(xué)化工學(xué)院石油加工研究所,上海 200237;2.中國石化上海高橋分公司)

重油催化裂化(RFCC)工藝不僅可以將重油轉(zhuǎn)化成汽油、柴油等輕質(zhì)燃料,還能同時(shí)生產(chǎn)低碳烯烴,是煉油化工一體化的核心工藝之一[1-2]。我國催化裂化裝置生產(chǎn)的汽油約占成品汽油的70%左右[3],并且成品汽油中的硫主要來自RFCC汽油[4]。隨著環(huán)保要求的日益嚴(yán)格,汽油的深度脫硫在世界范圍內(nèi)引起了廣泛重視。我國汽油質(zhì)量升級較快,國Ⅴ汽油標(biāo)準(zhǔn)中硫質(zhì)量分?jǐn)?shù)要求不大于10 μg/g[5]。吸附脫硫(S Zorb)技術(shù)是針對FCC汽油深度脫硫的最有效工藝之一。與傳統(tǒng)的加氫脫硫技術(shù)相比,它不僅能在辛烷值損失較低的情況下生產(chǎn)硫質(zhì)量分?jǐn)?shù)低于10 μg/g的汽油,還能降低操作成本和能耗。到目前為止,國內(nèi)共有38套S Zorb裝置投產(chǎn)[5]。但在實(shí)際運(yùn)行過程中,某煉油廠S Zorb裝置的精制汽油辛烷值損失長期在1以上,嚴(yán)重影響了企業(yè)的經(jīng)濟(jì)效益。

鑒于RFCC工藝在石油加工中的重要地位,對該工藝過程的建模優(yōu)化一直是該領(lǐng)域的研究重點(diǎn)。自20世紀(jì)60年代起,國內(nèi)外就通過機(jī)理建模來指導(dǎo)優(yōu)化RFCC的操作。但由于催化裂化各操作變量之間具有高度非線性和強(qiáng)耦聯(lián)性,機(jī)理模型的精度和時(shí)效性受到很大挑戰(zhàn)[6-7]。

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)是一個非線性動態(tài)系統(tǒng),具有良好的自學(xué)習(xí)、自組織、自適應(yīng)和非線性映射能力,不用依賴模型來實(shí)現(xiàn)多項(xiàng)控制。因此,人工神經(jīng)網(wǎng)絡(luò)在工業(yè)中有廣泛的應(yīng)用,尤其是在化工領(lǐng)域[8-10]。其中,BP神經(jīng)網(wǎng)絡(luò)模型是目前應(yīng)用最廣泛的模型之一。本研究以S Zorb工業(yè)裝置的大量實(shí)時(shí)數(shù)據(jù)為基礎(chǔ),通過建立BP神經(jīng)網(wǎng)絡(luò)模型并結(jié)合遺傳算法(Genetic Algorithm,GA)優(yōu)化S Zorb裝置操作條件,使精制汽油辛烷值損失降低30%以上。

1 數(shù)據(jù)收集

以國內(nèi)某石化企業(yè)1.2 Mt/a S Zorb裝置為研究對象,采集了2017年4月至2019年10月時(shí)間段,包括LIMS系統(tǒng)(Laboratory Information Management System)和DCS系統(tǒng)(Digital Control System)的數(shù)據(jù)。LIMS系統(tǒng)包括了原料油研究法辛烷值(RON)、硫含量、飽和烴含量、烯烴含量、芳烴含量、溴值、密度,吸附劑的硫含量、碳含量,產(chǎn)品RON和硫含量等13個性質(zhì)數(shù)據(jù);從DCS系統(tǒng)中采集了包括氫油體積比、反應(yīng)器底部溫度、反應(yīng)器頂部壓力、原料進(jìn)裝置流量、再生風(fēng)流量、再生器溫度、反應(yīng)器質(zhì)量空速等在內(nèi)的355個操作變量數(shù)據(jù)。對本研究而言,最重要的產(chǎn)品性質(zhì)為其RON,在LIMS系統(tǒng)該數(shù)據(jù)采集頻次為2次/周;DCS系統(tǒng)各操作變量的采集頻次為每3 min 1次。將采集到的DCS數(shù)據(jù)以LIMS系統(tǒng)RON測定時(shí)間點(diǎn)為中間點(diǎn),取前2 h數(shù)據(jù)的平均值作為對應(yīng)的操作變量數(shù)據(jù),共得到265個樣本,如表1所示,其對應(yīng)的原料、吸附劑和產(chǎn)品性質(zhì)分布數(shù)據(jù)如表2所示。

表1 來自DCS系統(tǒng)中的操作變量數(shù)據(jù)(部分)

表2 LIMS系統(tǒng)中的原料、吸附劑及產(chǎn)品性質(zhì)分布數(shù)據(jù)

2 建模變量的篩選

為了盡可能降低神經(jīng)網(wǎng)絡(luò)建模變量的維數(shù),以滿足后續(xù)優(yōu)化的實(shí)施要求,必須保證輸入變量之間不相關(guān)或弱相關(guān),而與目標(biāo)值之間強(qiáng)相關(guān)。采用灰色關(guān)聯(lián)分析[11-12]作為變量相關(guān)性檢驗(yàn)方法,其相關(guān)系數(shù)r與變量間的相關(guān)關(guān)系見表3。

表3 相關(guān)系數(shù)r與變量間的相關(guān)關(guān)系

在S Zorb裝置的有關(guān)物性變量中,原料RON是重要的建模變量,產(chǎn)品RON是目標(biāo)變量,對于LIMS系統(tǒng)中其他11個物性變量和355個操作變量,其與目標(biāo)變量之間的相關(guān)性分析結(jié)果如表4和表5。

表4 物性變量與產(chǎn)品RON相關(guān)性分析結(jié)果

表5 與產(chǎn)品RON相關(guān)性在0.7以上的操作變量

由表4可知,待生吸附劑硫含量、再生吸附劑硫含量、原料硫含量、原料芳烴含量和產(chǎn)品硫含量5個變量與產(chǎn)品RON的r在0.7以上,說明它們與產(chǎn)品RON之間高度相關(guān),因而應(yīng)該保留。表5列出的是r在0.7以上的130個操作變量。對于建模來說,變量數(shù)仍舊太多,若采用灰色相關(guān)度計(jì)算這些變量間的相關(guān)性會十分復(fù)雜。因此,本研究利用SPSS(Statistical Product and Service Solutions)軟件對操作變量之間進(jìn)行相關(guān)性分析,結(jié)果如表6所示。

以表6中還原器流化氫氣流量(2)、反應(yīng)過濾器壓差(7)和反吹氫氣壓力(8)為例,其兩兩之間的r分別為0.902,0.782,0.891,均大于0.7,因此可選擇其一作為建模變量??紤]到在實(shí)際生產(chǎn)中還原器流化氫氣流量容易控制與調(diào)節(jié),最后選定其作為建模變量。

表6 操作變量之間的相關(guān)性分析結(jié)果(部分)

從以上分析可知,采集的裝置數(shù)據(jù)質(zhì)量較好,變量間的相關(guān)性結(jié)果可靠,符合實(shí)際生產(chǎn)情況。因此,以變量間的相關(guān)性結(jié)果作為篩選依據(jù)是合理可靠的。此外,參考裝置相關(guān)技術(shù)人員的意見,在相關(guān)度較高的兩個或多個變量中,應(yīng)選定易于控制與調(diào)節(jié)的變量。最終選定建模操作變量15個,加上篩選出的原料、產(chǎn)品和吸附劑性質(zhì)中的5個變量以及原料RON和產(chǎn)品RON,建模變量最終選定22個,其中輸入變量21個,目標(biāo)變量(產(chǎn)品RON)1個,如表7所示。

表7 建模變量篩選結(jié)果

3 原料油的聚類分析

聚類分析是根據(jù)研究對象或?qū)ο蟮闹笜?biāo)進(jìn)行分類的數(shù)據(jù)分析方法。它將群集中具有相似屬性的對象劃分為同一子集,使得同一子集中的對象具有高度的相似性,而子集之間的對象彼此不相似。模糊C均值(FCM)算法是應(yīng)用最廣泛的聚類算法[13-15]之一。本研究針對265組樣本中原料油性質(zhì)(飽和烴含量、烯烴含量、芳烴含量、硫含量、密度和溴值)數(shù)據(jù),采用FCM算法對S Zorb裝置的原料油進(jìn)行分類,以期為后續(xù)針對不同種類的原料油分別建立產(chǎn)品RON預(yù)測模型、尋找最佳操作條件來降低產(chǎn)品RON損失打下基礎(chǔ)。

使用FCM算法的關(guān)鍵是確定最佳分類組數(shù)copt。為此,先確定最佳分類組數(shù)的上下限,令最小分類組數(shù)cmin=2,根據(jù)經(jīng)驗(yàn)式(1)求得最大分類組數(shù)cmax=16。

(1)

式中,N為樣本數(shù)目。

本研究利用Matlab編程平臺,并采用吳成茂等[16]提出的歸一化劃分系數(shù)來確定copt,其結(jié)果如圖1所示。

圖1 歸一化劃分系數(shù)隨分類組數(shù)的變化曲線

由圖1可見:當(dāng)分類組數(shù)為3和5時(shí),歸一化劃分系數(shù)明顯更大。本研究樣本組數(shù)為265,若將其分成5類,每一類的平均樣本數(shù)較小,會使得后續(xù)的建模結(jié)果準(zhǔn)確性下降,因此選擇copt為3。再分別計(jì)算出每一類原料油的聚類中心的原料性質(zhì)及原料油樣本的分配,結(jié)果見表8。

由表8可見,聚類中心相互之間區(qū)分度較大的原料性質(zhì)是硫含量、飽和烴含量、烯烴含量,因此選取此三者的高低來度量不同類別原料油性質(zhì)的差異。第1類原料油命名為低硫低烯烴高飽和烴原料油,第2類原料油命名為高硫高飽和烴高烯烴原料油,第3類原料油可命名為低硫低飽和烴高烯烴原料油。此外,3類原料油的樣本分布數(shù)均不小于80。

表8 最佳分類組數(shù)時(shí)的每類原料油的樣本數(shù)及其聚類中心值

4 預(yù)測RON的BP神經(jīng)網(wǎng)絡(luò)模型的建立

BP神經(jīng)網(wǎng)絡(luò)一般是包含輸入層、隱含層和輸出層的3層前饋神經(jīng)網(wǎng)絡(luò),每一層由若干神經(jīng)元組成,信號傳遞到每個神經(jīng)元時(shí),會通過固定形式的激勵函數(shù)關(guān)系變換形成新的輸出信號傳遞給下一層神經(jīng)元。BP 神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣泛的激勵函數(shù)是S函數(shù)和線性函數(shù),S函數(shù)表達(dá)如式(2)所示。

(2)

S函數(shù)一般用于隱含層神經(jīng)元的激勵函數(shù),它能將神經(jīng)元的輸入范圍從(-∞,+∞)映射到(-1,+1)。線性函數(shù)表達(dá)如式(3)所示。

f(x)=x

(3)

線性函數(shù)一般用于輸出層神經(jīng)元的激勵函數(shù),它能處理和逼近輸入變量與輸出變量的非線性關(guān)系[17]。

4.1 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

采用基于FCM 算法的3類原料油的數(shù)據(jù)樣本和已篩選出的22個建模變量來建立預(yù)測產(chǎn)品RON的BP神經(jīng)網(wǎng)絡(luò)模型。在利用Matlab編程平臺建立S Zorb裝置產(chǎn)品RON預(yù)測模型的過程中,隨機(jī)產(chǎn)生固定組數(shù)的樣本數(shù)據(jù)用于訓(xùn)練預(yù)測模型,剩余的樣本用于驗(yàn)證預(yù)測模型,具體的樣本數(shù)分配見表9。

表9 訓(xùn)練樣本和驗(yàn)證樣本分配

建立神經(jīng)網(wǎng)絡(luò)的關(guān)鍵是確定隱含層神經(jīng)元的個數(shù)。因?yàn)殡[含層神經(jīng)元個數(shù)對BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度有較大的影響:神經(jīng)元個數(shù)過多,運(yùn)算時(shí)間過長,樣本易出現(xiàn)過擬合;神經(jīng)元個數(shù)太少,網(wǎng)絡(luò)不能很好地學(xué)習(xí),需要增加訓(xùn)練次數(shù)。隱含層神經(jīng)元個數(shù)計(jì)算如式(4)所示。

(4)

式中:H為隱含層神經(jīng)元個數(shù);m為輸入層神經(jīng)元個數(shù);n為輸出層神經(jīng)元個數(shù);L為1~10區(qū)間內(nèi)的一個可調(diào)常數(shù)。

由式(4)得到隱含層神經(jīng)元的個數(shù)為6~15,但由于BP神經(jīng)網(wǎng)絡(luò)中包含大量并行分布結(jié)構(gòu)和非線性動態(tài)特性,實(shí)際計(jì)算中,在按式(4)所得的神經(jīng)元個數(shù)范圍內(nèi)往往很難達(dá)到理想效果。為尋找最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu),本研究將隱含層神經(jīng)元個數(shù)從6依次增加到25,分別建立產(chǎn)品RON的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。將所選擇的訓(xùn)練數(shù)據(jù)導(dǎo)入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,并比較每次的均方誤差(MSE),出現(xiàn)MSE值最小的神經(jīng)元數(shù)即為最佳隱含層神經(jīng)元個數(shù),結(jié)果見圖2。由圖2可知:第1~第3類原料精制產(chǎn)品的RON預(yù)測模型的最佳隱含層神經(jīng)元個數(shù)分別為20,18,17。由此可得,第1~第3類原料的精制產(chǎn)品產(chǎn)品RON預(yù)測模型三層網(wǎng)絡(luò)結(jié)構(gòu)分別是21-20-1,21-18-1,21-17-1。

圖2 隱含層神經(jīng)元個數(shù)與MSE的關(guān)系■—第1類原料; ●—第2類原料; ▲—第3類原料

4.2 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果

采用上述BP訓(xùn)練模型分別對3類原料的16,20,16組驗(yàn)證樣本的產(chǎn)品RON進(jìn)行預(yù)測計(jì)算,訓(xùn)練樣本及驗(yàn)證樣本預(yù)測值與實(shí)際值的比較如圖3所示。結(jié)果表明,第1~第3類原料的驗(yàn)證樣本的產(chǎn)品RON實(shí)際值和預(yù)測值的最大相對誤差分別為0.42%,0.75%,0.48%,平均相對誤差均小于0.15%,且與訓(xùn)練樣本的相對誤差相差不大,說明分別針對3類原料建立的產(chǎn)品RON預(yù)測模型的預(yù)測效果好。

圖3 3類原料的RON預(yù)測模型的預(yù)測效果■—真實(shí)值; *—預(yù)測值

5 產(chǎn)品汽油的RON優(yōu)化

在采用BP 神經(jīng)網(wǎng)絡(luò)建立的S Zorb 裝置產(chǎn)品RON預(yù)測模型的基礎(chǔ)上,利用GA算法[18]來優(yōu)化操作條件,以達(dá)到降低RON損失的目的。在對產(chǎn)品RON優(yōu)化的同時(shí),還需要保證產(chǎn)品的脫硫效果。分析產(chǎn)品硫含量的歷史數(shù)據(jù),發(fā)現(xiàn)其平均值為4.75 μg/g,而國Ⅵ汽油標(biāo)準(zhǔn)對硫含量要求質(zhì)量分?jǐn)?shù)不大于10 μg/g。為了給裝置對產(chǎn)品硫含量的控制留有余地,調(diào)優(yōu)時(shí)產(chǎn)品硫質(zhì)量分?jǐn)?shù)控制在0~5 μg/g。在此過程時(shí),設(shè)置種群中的初始種群為20、最大迭代次數(shù)為50,對個體產(chǎn)品RON進(jìn)行預(yù)測,并將預(yù)測結(jié)果作為此個體的適應(yīng)度大小,計(jì)算見式(5)。

Fi=yRON,i

(5)

式中:Fi為個體i的適應(yīng)度值;yRON,i為個體i的產(chǎn)品RON預(yù)測值。

采取輪盤賭法選擇個體,計(jì)算式見(6)和式(7)。

式中:k為常數(shù);N為種群規(guī)模;fi為群體中第i個個體的適應(yīng)度;pi為第i個個體被選中的概率。

交叉是產(chǎn)生新個體的主要方式,但隨機(jī)進(jìn)行交叉操作可能會導(dǎo)致某些有效基因的缺失[19]。一般而言,GA中的交叉概率范圍為0.6~0.9,變異概率在0~0.1之間。本研究選擇0.6作為交叉概率,0.05作為變異概率。

為了確保裝置的安全運(yùn)行,諸多變量必須嚴(yán)格控制在一定的范圍之內(nèi)(具體由裝置界定)。完成 GA參數(shù)設(shè)定和操作條件范圍界定后,將原料及吸附劑性質(zhì)輸入優(yōu)化模型中進(jìn)行操作變量的尋優(yōu),結(jié)果見表10;優(yōu)化后產(chǎn)品RON損失和實(shí)際產(chǎn)品RON損失數(shù)據(jù)見圖4。

表10 3類原料的RON的GA優(yōu)化結(jié)果

由表10和圖4可知,3類不同原料的產(chǎn)品汽油RON損失平均降幅均超過30%,RON損失降幅大于30%的樣本占比平均達(dá)73.58%,說明絕大多數(shù)的樣本經(jīng)過優(yōu)化后,產(chǎn)品汽油RON損失降幅能夠達(dá)到目標(biāo)。分別以第1類原料中第20組、第2類原料中第90組、第3類原料中第40組數(shù)據(jù)樣本的LIMS數(shù)據(jù)為基礎(chǔ),得到優(yōu)化后的產(chǎn)品汽油RON、硫含量及對應(yīng)的15個操作變量的優(yōu)化值,結(jié)果見表11。

圖4 產(chǎn)品RON損失實(shí)際值和優(yōu)化后值對比◆—實(shí)際RON損失; ■—優(yōu)化后RON損失; —實(shí)際RON損失平均值; —優(yōu)化后RON損失平均值

由表11可見,以原料數(shù)據(jù)樣本的物性數(shù)據(jù)為基礎(chǔ)對15個操作變量進(jìn)行優(yōu)化,產(chǎn)品汽油RON損失均有降低的空間。其中,3類原料中氫油比、反應(yīng)器底部溫度和反應(yīng)器頂部壓力的優(yōu)化方向比較一致。因此,可認(rèn)為適當(dāng)減小氫油比、反應(yīng)器底部溫度和反應(yīng)器頂部壓力能有效降低產(chǎn)品汽油RON的損失。

綜上所述,通過所建立的BP神經(jīng)網(wǎng)絡(luò)模型與GA算法相結(jié)合,可以對S Zorb裝置操作變量進(jìn)行優(yōu)化,為降低精制汽油RON損失提供指導(dǎo)。

表11 3類原料的RON的GA操作變量優(yōu)化結(jié)果

6 結(jié) 論

(1) 以S Zorb工業(yè)數(shù)據(jù)為基礎(chǔ),采用灰色關(guān)聯(lián)分析和SPSS方法并結(jié)合裝置技術(shù)人員的建議,確定了包括原料油性質(zhì)、吸附劑性質(zhì)、產(chǎn)品性質(zhì)和操作條件在內(nèi)的22個建模變量。

(2)采用FCM聚類算法將S Zorb工業(yè)裝置的FCC原料油分成3類,在此基礎(chǔ)上,分別建立了結(jié)構(gòu)為21-20-1,21-18-1,21-17-1的產(chǎn)品汽油RON的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。結(jié)果表明:3類原料油的產(chǎn)品RON預(yù)測模型的預(yù)測值和實(shí)際值相對誤差均小于1%,平均相對誤差小于0.15%,說明所建立的3類RON預(yù)測模型效果良好。

(3)通過BP神經(jīng)網(wǎng)絡(luò)模型結(jié)合GA算法對S Zorb裝置操作變量優(yōu)化,3類原料的產(chǎn)品汽油RON損失平均降幅為44.15%,RON損失降幅大于30%的樣本占比達(dá)73.58%。說明基于原料油聚類結(jié)果分別建立的產(chǎn)品RON優(yōu)化模型,可在保證汽油脫硫效果的前提下明顯降低產(chǎn)品RON損失,為S Zorb裝置降低產(chǎn)品RON損失的實(shí)際操作提供重要指導(dǎo)。

猜你喜歡
原料油硫含量汽油
干熄焦煙氣脫硫裝置降低硫含量排放的工藝措施
山東冶金(2022年3期)2022-07-19 03:27:06
高頻紅外吸收光譜法測定硅碳球中硫含量
昆鋼科技(2022年2期)2022-07-08 06:36:28
揚(yáng)州市查處一起非法經(jīng)營汽油案
黨建+經(jīng)營催化汽油提效
乙烯焦油對延遲焦化原料膠體穩(wěn)定性及熱解歷程的影響研究
萊鋼3#750m3高爐降低生鐵硫含量實(shí)踐
山東冶金(2019年3期)2019-07-10 00:53:54
高苯原料油烷烴異構(gòu)化的MAX-ISOM技術(shù)
高頻紅外碳硫分析儀測定巖礦中全硫含量
加氫裂化原料油性質(zhì)變化對裝置的影響
化工管理(2015年36期)2015-08-15 00:51:32
一個食用油生產(chǎn)計(jì)劃數(shù)學(xué)模型的建立及應(yīng)用分析
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
404 Not Found

404 Not Found


nginx
黄骅市| 中卫市| 鄂温| 张北县| 宁夏| 湘乡市| 义马市| 上虞市| 会东县| 无锡市| 竹溪县| 甘洛县| 平安县| 凌海市| 垫江县| 赤水市| 萨嘎县| 杭锦旗| 泊头市| 巴南区| 隆安县| 永康市| 新民市| 仲巴县| 南通市| 涞源县| 兴安县| 东港市| 射洪县| 中牟县| 大埔区| 图们市| 嘉黎县| 长汀县| 武功县| 香河县| 介休市| 佳木斯市| 梨树县| 建湖县| 湾仔区|