CN102609601B - 一种基于类内质网体膜计算的渣油加氢反应动力学模型参数估计方法 - Google Patents

Abstract

本发明公开了一种基于类内质网体膜计算的渣油加氢反应动力学模型参数估计方法。包括如下步骤：1)从炼油厂获得渣油加氢过程的实际输入输出数据，对于同一组采样输入数据，模型的估计输出与实际输出的误差绝对值之和作为目标函数；2)根据细胞的结构，内质网的功能和自然界细胞分化现象，抽象出基于类内质网体膜计算的参数估计方法及其相应的仿生优化规则；3)设定算法的各项参数；4)运行基于类内质网体膜计算对渣油加氢反应动力学模型中的参数进行估计。本发明提供了适用于渣油加氢反应动力学模型的参数估计方法，其优点是进行参数估计时无需经验知识，参数匹配度高。而且方法简单直观，易于操作，便于扩展到其他领域。

Description

一种基于类内质网体膜计算的渣油加氢反应动力学模型参数估计方法

 技术领域

本发明涉及一种基于类内质网体膜计算的渣油加氢反应动力学模型参数估计方法。

背景技术

渣油是石油经蒸馏加工后剩余的残渣，其比率约占石油加工前的50%，由于渣油质量差，杂质和非理想组份含量高，加工难度大，致使渣油曾作为祸炉燃料被烧掉，不仅浪费有限资源，而且对环境造成了污染。渣油加氢处理技术具体来说就是在高温、高压和催化剂存在的条件下，使渣油和氢气进行催化反应，渣油分子中硫、氮和金属等有害杂质，分别与氢和硫化氢发生反应，生成硫化氢、氨和金属硫化物，同时，渣油中部分较大的分子裂解并加氢，变成分子较小的理想组份，反应生成金属的硫化物沉积在催化剂上，硫化氢和氨可回收利用，而不排放到大气中，故对环境不造成污染。

在实际生产过程中，为了进一步优化操作条件，提高控制优化精度，人们提出了很多反应动力学模型来描述渣油加氢过程。目前，系统辨识法是建立渣油加氢反应动力学模型的主要方法之一，该方法是研究人员根据渣油加氢过程的反应机理提出相应的渣油加氢反应动力学模型，再针对这些模型结构中存在的大量无法通过直接测量得到的参数，使用参数估计的方法来估计得到这些参数的值，并将这些参数的估计值代入相应的渣油加氢反应动力学模型中，从而得到渣油加氢过程的反应动力学模型。这些参数的估计值对相应的数学模型的准确性有着重要影响。通过将参数估计问题转化为优化问题，可以使用很多传统方法来进行参数估计。较为常见的传统参数估计方法有最小二乘法、极大似然法等。经典的最小二乘法计算简单，假设效验也容易进行，但是其回归方程的回归残差平方和相对较大；极大似然估计具有很好的性质，如一致性、有效性和不变性，但是应用极大似然估计时仍然有许多限制与不足，如必须确定出总体分布的概率函数，极大似然估计不一定存在，不具备唯一性等；此外还有梯度矫正法、辅助变量法、求解无约束优化的拟牛顿法等方法。其本质都是在梯度方向上寻优的局部搜索技术，这些方法在面对不可微或者非线性问题时，常常无法得到全局最优解。

近年来，随着现代化工产业的不断发展，对建模精度要求越来越高，同时还需要建模方法具有相当的抗扰动与处理非线性的能力。在传统方法不能满足要求的场合，人们开始尝试使用智能算法进行参数估计。如人工神经网络（ANN）在一定程度上模拟了人脑的组织结构和功能；遗传算法（GA）借鉴了自然界生物“生存竞争、优胜劣汰、适者生存”的进化机制；蚁群算法（ACO）则受蚂蚁群体寻找食物时总能发现最优路径的启发；禁忌搜索模拟了人类记忆的过程。这些基于生物计算的优化方法在求解复杂优化问题方面展示了它们的优点。基于类内质网体的膜计算优化方法（见图1）是受生物细胞中内质网的结构与功能以及自然界细胞分化现象的启发而提出的一种优化方法，可用于解决多变量，非线性的优化问题，得到有效的模型参数。将此种方法用于解决渣油加氢反应动力学模型的参数估计问题中，取得了满意的效果。

发明内容

本发明的目的是针对现有技术的不足，提供了一种基于类内质网体膜计算的渣油加氢反应动力学模型参数估计方法。

基于类内质网体膜计算的渣油加氢反应动力学模型参数估计方法包括以下步骤：

1)将炼油厂的渣油加氢过程中硫、氮、钒、镍、碳五种杂质的入口质量分数作为输入数据，杂质的出口质量分数作为实际输出数据，对于同一组渣油加氢过程的采样输入数据，把渣油加氢反应动力学模型的估计输出与实际输出数据的误差绝对值之和作为类内质网体膜计算优化方法寻优搜索时的目标函数；

2)设定类内质网体膜计算优化方法运行的最大代数G，每个子系统内有n层膜，每层膜内有m个对象，类内质网体内有k个对象，改写概率                                                ，交叉概率p _m ，移位概率p _t 以及交流规模的大小，算法的终止准则为算法的运行代数达到最大代数；

3)运行基于类内质网体膜计算优化方法对渣油加氢反应动力学模型中的参数进行估计，通过膜计算内改写规则、交叉规则，移位规则、统计规则、合成规则、交流规则的处理，最小化目标函数，得到渣油加氢反应动力学模型参数的估计值。

所述的运行基于类内质网体膜计算优化方法对渣油加氢反应动力学模型中的参数进行估计，通过膜计算内改写规则、交叉规则，移位规则、统计规则、合成规则、交流规则的处理，最小化目标函数，得到渣油加氢反应动力学模型参数的估计值的步骤为：

(1)算法初始化，包括最大运行代数、对象集大小、子系统之间交流规模、类内质网体内对象数k，设定被估计参数的取值范围，若没有给定初始对象，则随机生成初始对象；

(2)将渣油加氢反应动力学模型的估计输出与实际采样输出的误差绝对值之和作为目标函数；

(3)基于类内质网体的膜计算优化方法的两个子系统内的各层膜内对象依改写规则、交叉规则，移位规则轮流进化，每层膜进化完毕之后将得到的若干较优对象送入类内质网体中；

(4)类内质网体对其内部的对象采用各种规则进行处理：首先应用统计规则，然后检查是否满足启用合成规则的条件，如果满足则启用合成规则；无论是否启用合成规则，都将应用交流规则将处理后的对象送入下一个基本膜；

(5)检测是否满足算法终止条件，如果满足则算法终止，否则返回步骤3；当算法终止后，将算法输出的最优值作为渣油加氢反应动力学模型参数的估计值。

所述的改写规则、交叉规则，移位规则、统计规则、合成规则、交流规则公式如下：

改写规则的数学表达式如下：

式中是对象中的解向量，是应用改写规则产生的新对象，是预先设定的改写概率，通常情况下不超过0.5，是随机变异量，其值是当前膜中的对象数、取值范围及交流对象数的函数；是匹配每一个解向量元素的随机数，当时，用随机变异量替换，否则保持不变；遍历所有解向量元素，即可得到；

交叉规则有两种模式，分别为断点交叉和数值交叉；

断点交叉数学表达式如下：

对于和，首先生成断点值，然后将和在处切割开来，再分别将两个解向量在点之后的数据交换，从而形成两个新的对象和；

数值交叉的数学表达式如下：

和是在(0,1)上服从均匀分布的随机数，是预先设定的数值交叉概率，数值交叉开始时首先产生，若，则执行数值交叉规则；

移位规则的数学表达式如下：

  是从膜内随机选取的字符串对象，是字符串的长度，是执行移位规则后产生的新的字符串对象，是预先设定的移位概率，其取值一般小于0.1，是在(0,1)上服从均匀分布的随机数，当时，随机交换原解向量里面的两个元素，从而形成新的对象，移位规则有利于对象集的多样性，有助于多方向的寻优；

统计规则的数学表达式如下：

其中表示类内质网体内原有的第个对象，表示由子系统送到类内质网体中的第个对象，代表第个对象所对象的进化方向向量，这样对于类内质网体内每一个对象都会生成一个相对应的向量，此向量将在合成规则中指导对象的进一步优化；

合成规则的数学表达式如下：

式中，是当前运行代数，当前膜的层数以及自变量取值范围宽度的函数，与，成反比，与成正比,合成规则的作用就是根据统计出来的方向向量，在对象上施加一个具有方向性的额外的值，以加速对象的进化，从而加快算法的收敛速度；

交流规则就是各个膜将其进化得到的适应度较好的对象发送到类内质网体，经过类内质网体的操作之后再传递给外层膜的过程，其数学表达式如下：

   (2.9)

交流规则是类内质网体发挥其作用的关键规则之一，对算法性能有较大影响，交流规模控制在30%-40%之间。

本发明模拟了细胞内质网的结构和功能以及自然界中的细胞分化现象，包含的两种新型进化规则以及一种新型交流模式（细胞内质网、细胞分化现象），使得该方法具有抗早熟、收敛速度快，求解精度高等优点。

附图说明

图1为基于类内质网体膜计算优化方法的结构示意图；

图2为渣油加氢过程简易流程图。

具体实施方式

基于类内质网体膜计算的渣油加氢反应动力学模型参数估计方法包括以下步骤：

1)将炼油厂的渣油加氢过程中硫、氮、钒、镍、碳五种杂质的入口质量分数作为输入数据，杂质的出口质量分数作为实际输出数据，对于同一组渣油加氢过程的采样输入数据，把渣油加氢反应动力学模型的估计输出与实际输出数据的误差绝对值之和作为类内质网体膜计算优化方法寻优搜索时的目标函数；

2)设定类内质网体膜计算优化方法运行的最大代数G，每个子系统内有n层膜，每层膜内有m个对象，类内质网体内有k个对象，改写概率，交叉概率p _m ，移位概率p _t 以及交流规模的大小，算法的终止准则为算法的运行代数达到最大代数；

3)运行基于类内质网体膜计算优化方法对渣油加氢反应动力学模型中的参数进行估计，通过膜计算内改写规则、交叉规则，移位规则、统计规则、合成规则、交流规则的处理，最小化目标函数，得到渣油加氢反应动力学模型参数的估计值。

所述的运行基于类内质网体膜计算优化方法对渣油加氢反应动力学模型中的参数进行估计，通过膜计算内改写规则、交叉规则，移位规则、统计规则、合成规则、交流规则的处理，最小化目标函数，得到渣油加氢反应动力学模型参数的估计值的步骤为：

(1)算法初始化，包括最大运行代数、对象集大小、子系统之间交流规模、类内质网体内对象数k，设定被估计参数的取值范围，若没有给定初始对象，则随机生成初始对象；

(2)将渣油加氢反应动力学模型的估计输出与实际采样输出的误差绝对值之和作为目标函数；

(3)基于类内质网体的膜计算优化方法的两个子系统内的各层膜内对象依改写规则、交叉规则，移位规则轮流进化，每层膜进化完毕之后将得到的若干较优对象送入类内质网体中；

(4)类内质网体对其内部的对象采用各种规则进行处理：首先应用统计规则，然后检查是否满足启用合成规则的条件，如果满足则启用合成规则；无论是否启用合成规则，都将应用交流规则将处理后的对象送入下一个基本膜；

(5)检测是否满足算法终止条件，如果满足则算法终止，否则返回步骤3；当算法终止后，将算法输出的最优值作为渣油加氢反应动力学模型参数的估计值。

所述的改写规则、交叉规则，移位规则、统计规则、合成规则、交流规则公式如下：

改写规则的数学表达式如下：

式中是对象中的解向量，是应用改写规则产生的新对象，是预先设定的改写概率，通常情况下不超过0.5，是随机变异量，其值是当前膜中的对象数、取值范围及交流对象数的函数；是匹配每一个解向量元素的随机数，当时，用随机变异量替换，否则保持不变；遍历所有解向量元素，即可得到；

交叉规则有两种模式，分别为断点交叉和数值交叉；

断点交叉数学表达式如下：

对于和，首先生成断点值，然后将和在处切割开来，再分别将两个解向量在点之后的数据交换，从而形成两个新的对象和；

数值交叉的数学表达式如下：

和是在(0,1)上服从均匀分布的随机数，是预先设定的数值交叉概率，数值交叉开始时首先产生，若，则执行数值交叉规则；

移位规则的数学表达式如下：

  是从膜内随机选取的字符串对象，是字符串的长度，是执行移位规则后产生的新的字符串对象，是预先设定的移位概率，其取值一般小于0.1，是在(0,1)上服从均匀分布的随机数，当时，随机交换原解向量里面的两个元素，从而形成新的对象，移位规则有利于对象集的多样性，有助于多方向的寻优；

统计规则的数学表达式如下：

其中表示类内质网体内原有的第个对象，表示由子系统送到类内质网体中的第个对象，代表第个对象所对象的进化方向向量，这样对于类内质网体内每一个对象都会生成一个相对应的向量，此向量将在合成规则中指导对象的进一步优化；

合成规则的数学表达式如下：

式中，是当前运行代数，当前膜的层数以及自变量取值范围宽度的函数，与，成反比，与成正比,合成规则的作用就是根据统计出来的方向向量，在对象上施加一个具有方向性的额外的值，以加速对象的进化，从而加快算法的收敛速度；

交流规则就是各个膜将其进化得到的适应度较好的对象发送到类内质网体，经过类内质网体的操作之后再传递给外层膜的过程，其数学表达式如下：

   (2.9)

交流规则是类内质网体发挥其作用的关键规则之一，对算法性能有较大影响，交流规模控制在30%-40%之间。

实施例

以下将本发明方法用于渣油加氢反应动力学模型的建模中，进一步详细描述：

一种用于渣油加氢过程的茂名S-RHT工业装置的简易流程图如图2所示，共有五个反应过程，分别脱除一种杂质，原料从R101进入，产品从R105出来。五种杂质分别为氮、硫、残炭、镍、钒，且各个反应互不影响，反应过程中氢分压不变，催化剂在五个反应器中均为混合填装。

各个反应精制反应动力学模型的数学公式可由下式表示：

若反应级数为

若反应级数

式中，为入口杂质质量分数，出口杂质质量分数，为反应级数，为采集数据时装置运行的实际时间，为催化剂脱杂质功能活性时间，为催化剂脱杂质失活指数，为反应前因子，为反应活化能，为原料在反应器中停留的时间，为反应温度，是气体常数，为。需要估计的参数为，，，，，五个反应过程一共有25个参数需要辨识。

所述的运行基于类内质网体的膜计算优化方法对渣油加氢反应动力学模型中的参数，，，，进行估计的步骤是：

步骤1：设定算法的初始参数为进化代数G=1000，两个子系统内各有5层膜，每层膜内有15个对象，类内质网体内有6个对象；改写概率为0.25，交叉概率为0.6，移位概率为0.05，交流规模为40%。各参数的的搜索范围为：，，，，，因此每个对象的决策变量的长度为5；

步骤2：通过实验获得实际18组采样输入输出数据（表1和表2）作为参数估计的训练样本，优化指标函数为：

式中，是样本个数，表示第组样本的实际脱除率，为第组样本的估计脱除率，为第组样本的入口杂质质量分数，与分别表示第组样本的实际出口杂质质量分数和估计出口杂质质量分数。

表1

表2

步骤3：基于类内质网体的膜计算优化方法的两个子系统内的各层膜内对象依改写规则、交叉规则，移位规则轮流进化，每层膜进化完毕之后将得到的若干较优对象送入类内质网体中；

步骤4：类内质网体对其内部的对象采用各种规则进行处理：首先应用统计规则，然后检查是否满足启用合成规则的条件，如果满足则启用合成规则；无论是否启用合成规则，都将应用交流规则将处理后的对象送入下一个基本膜；

步骤5：检测是否满足算法终止条件，如果满足则算法终止，否则返回步骤3；当算法终止后，将算法输出的最优值作为未知参数的估计值；

基于类内质网体膜计算优化方法得到的参数估计值如下：

表3

表4

为了验证被估计参数的的有效性，以另外的4组输入输出数据（表3和表4）作为测试数据。选取模型的估计输出与实际采样输出的误差绝对值平方和作为对比数据，该值越小证明所建模型与实际模型差距越小，也就表示越精确。同时与nmDNA-GA算法和标准GA算法进行对比，结果见下表，进一步验证了该算法的有效性：

反应	本方法	nmDNA-GA	GA
				加氢脱硫	0.0019	0.0020	0.0028
加氢脱残炭	0.0027	0.0043	0.0232
				加氢脱氮	0.0010	0.0020	0.232
加氢脱镍	0.0034	0.0074	0.0202
				加氢脱钒	0.0010	0.0016	0.0021

Claims (1)

1.一种基于类内质网体膜计算的渣油加氢反应动力学模型参数估计方法，其特征在于它的步骤如下：

将炼油厂的渣油加氢过程中硫、氮、钒、镍、碳五种杂质的入口质量分数作为输入数据，杂质的出口质量分数作为实际输出数据，对于同一组渣油加氢过程的采样输入数据，把渣油加氢反应动力学模型的估计输出与实际输出数据的误差绝对值之和作为类内质网体膜计算优化方法寻优搜索时的目标函数；

设定类内质网体膜计算优化方法运行的最大代数G，每个子系统内有n层膜，每层膜内有m个对象，类内质网体内有k个对象，改写概率p_e，交叉概率p_m，移位概率p_t以及交流规模的大小，算法的终止准则为算法的运行代数达到最大代数；

运行基于类内质网体膜计算优化方法对渣油加氢反应动力学模型中的参数进行估计，通过膜计算的改写规则、交叉规则，移位规则、统计规则、合成规则、交流规则的处理，最小化目标函数，得到渣油加氢反应动力学模型参数的估计值；

所述的运行基于类内质网体膜计算优化方法对渣油加氢反应动力学模型中的参数进行估计，通过膜计算的改写规则、交叉规则，移位规则、统计规则、合成规则、交流规则的处理，最小化目标函数，得到渣油加氢反应动力学模型参数的估计值步骤为：

(1)算法初始化，包括最大代数G、对象集大小、子系统之间交流规模、类内质网体内对象数k，设定被估计参数的取值范围，若没有给定初始对象，则随机生成初始对象；

(2)将渣油加氢反应动力学模型的估计输出与实际采样输出的误差绝对值之和作为目标函数；

(3)基于类内质网体的膜计算优化方法的两个子系统内的各层膜内对象依改写规则、交叉规则，移位规则轮流进化，每层膜进化完毕之后将得到的若干较优对象送入类内质网体中；

(4)类内质网体对其内部的对象采用各种规则进行处理：首先应用统计规则，然后检查是否满足启用合成规则的条件，如果满足则启用合成规则；无论是否启用合成规则，都将应用交流规则将处理后的对象送入下一个基本膜；

(5)检测是否满足算法终止条件，如果满足则算法终止，否则返回步骤(3)；当算法终止后，将算法输出的最优值作为渣油加氢反应动力学模型参数的估计值；

所述的改写规则、交叉规则，移位规则、统计规则、合成规则、交流规则公式如下：

改写规则的数学表达式如下：

S_t→S_t′

其中，

式中(s_i1，...，s_il)是S_i中的解向量，S_i′是应用改写规则产生的新对象，p_e是预先设定的改写概率，不超过0.5，η是随机变异量，其值是当前膜中的对象数、取值范围及交流对象数的函数；p_ij是匹配每一个解向量元素的随机数，当p_ij≤p_e时，用随机变异量η替换s_ij，否则保持s_ij不变；遍历所有解向量元素，即可得到S_i′；

交叉规则有两种模式，分别为断点交叉和数值交叉；

断点交叉数学表达式如下：

S_t→S_t′

S_j→S_j′

其中，

对于S_i和S_j，首先生成断点值k，然后将S_i和S_j在k处切割开来，再分别将两个解向量在k点之后的数据交换，从而形成两个新的对象S_i′和S_j′；

数值交叉的数学表达式如下：

S_i，S_j→S′

其中， $\left\{\begin{array}{c}{S}_i=(s_{i1},...,s_{\mathrm{il}}),S_j=(s_{j1},...,s_{\mathrm{jl}})\\ S^{\′}=\mathrm{\α}*S_i+(1-\mathrm{\α})*S_j\mathrm{if}(p_i\≤p_m)\\ \mathrm{\α}\∈\left(\mathrm{0,1}\right),p_i\∈\left(\mathrm{0,1}\right)\end{array}\right.$

α和p_i是在(0，1)上服从均匀分布的随机数，p_m是预先设定的数值交叉概率，数值交叉开始时首先产生p_i，若p_i≤p_m，则执行数值交叉规则；

移位规则的数学表达式如下：

S_i→S_i′

其中， $\left\{\begin{array}{c}{S}_i=(s_{i1},...s_{\mathrm{im}}...s_{\mathrm{in}}...,s_{\mathrm{il}})\\ {S_i}^{\&prime;}=(s_{i1},...s_{\mathrm{in}}...s_{\mathrm{im}}...,s_{\mathrm{il}})\mathrm{if}(p_i\&le;p_t)\\ n,m\&Element;(1,...,l),m<n,p_i\&Element;\left(\mathrm{0,1}\right)\end{array}\right.$

S_i是从膜内随机选取的字符串对象，l是字符串的长度，p_t是预先设定的移位概率，其取值小于0.1，p_i是在(0，1)上服从均匀分布的随机数，当p_i≤p_t时，随机交换原解向量里面的两个元素，从而形成新的对象，移位规则有利于对象集的多样性，有助于多方向的寻优；

统计规则的数学表达式如下：

$\left\{\begin{array}{c}{S}_i=(s_{i1},...,s_{\mathrm{il}}),{S_i}^{\&prime;}=({s_{(i1}}^{\&prime;},...,{s_l}^{\&prime;})\\ {\stackrel{\&RightArrow;}{P}}_i={\stackrel{\&RightArrow;}{P}}_i+({S_i}^{\&prime;}-S_i)\end{array}\right.$

其中，代表第i个对象所对象的进化方向向量，这样对于类内质网体内每一个对象都会生成一个相对应的向量，此向量将在合成规则中指导对象的进一步优化；

合成规则的数学表达式如下：

S_i→S_i′

其中， $\left\{\begin{array}{c}{S_i}^{\&prime;}=S_i+|\mathrm{\&eta;}\&times;{\stackrel{\&RightArrow;}{P}}_i|\\ \mathrm{\&eta;}=f(g,m,\mathrm{wide})\\ {\stackrel{\&RightArrow;}{P}}_i=0\end{array}\right.$

式中，η是当前运行代数g，每层膜内对象的个数m以及自变量取值范围宽度wide的函数，与g，m成反比，与wide成正比，合成规则的作用就是根据统计出来的方向向量，在对象上施加一个具有方向性的额外的值，以加速对象的进化，从而加快算法的收敛速度；

交流规则就是各个膜将其进化得到的适应度较好的对象发送到类内质网体，经过类内质网体的操作之后再传递给外层膜的过程；其数学表达式如下：

$r_{\mathrm{iCommuni}\cot \mathrm{ion}}\left\{\begin{array}{c}{[a_{\min 1},a_{\min 2},...,a_{\min k}]}_i\&RightArrow;{[a_{\min 1},a_{\min 2},...,a_{\min k}]}_{\mathrm{er}}\\ {[a_{\min 1},a_{\min 2},...,a_{\min k}]}_{\mathrm{er}}\&RightArrow;{[{a_{\min 1}}^{\&prime;},{a_{\min 2}}^{\&prime;},...,{a_{\min k}}^{\&prime;}]}_{\mathrm{er}}\\ {[{a_{\min 1}}^{\&prime;},{a_{\min 2}}^{\&prime;},...,{a_{\min k}}^{\&prime;}]}_{\mathrm{er}}\&RightArrow;{[{a_{\min 1}}^{\&prime;},{a_{\min 2}}^{\&prime;},...,{a_{\min k}}^{\&prime;}]}_{i+1}\end{array}\right.$

交流规则是类内质网体发挥其作用的关键规则之一，交流规模控制在30％-40％。