CN103605325B - 基于代理模型的工业乙烯裂解炉全周期动态优化方法 - Google Patents
基于代理模型的工业乙烯裂解炉全周期动态优化方法 Download PDFInfo
- Publication number
- CN103605325B CN103605325B CN201310419751.2A CN201310419751A CN103605325B CN 103605325 B CN103605325 B CN 103605325B CN 201310419751 A CN201310419751 A CN 201310419751A CN 103605325 B CN103605325 B CN 103605325B
- Authority
- CN
- China
- Prior art keywords
- pyrolysis furnace
- dynamic optimization
- agent model
- complete period
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Abstract
本发明涉及一种基于代理模型的工业乙烯裂解炉全周期动态优化方法,通过对工业乙烯裂解炉机理模拟,利用实验设计原理,产生一定量仿真数据,然后利用神经网络代理模型进行建模。利用该神经网络代理模型,结合炉管内结焦层厚度迭代计算更新,获得了裂解炉全周期动态模型。基于裂解炉全周期动态模型,提出了一种裂解炉全周期动态优化方法,然后利用线性分段方法对所构建的连续动态优化模型进行了近似求解。与经验操作对比,动态优化经济效益显著提高。该方法理论简化和推导合理,工程使用性强,简单易行,易于移植,具有广泛适应性。
Description
技术领域
本发明涉及一种基于代理模型的工业乙烯裂解炉全周期动态优化方法。
背景技术
乙烯工业一直以来占据着石油化工行业的核心地位,乙烯产量更是衡量一个国家综合工业水平的重要标志。乙烯裂解炉作为乙烯装置的龙头,其运行状况的好坏和操作水平,对乙烯等关键产品的收率和产量有着重要影响,因此提高乙烯裂解炉的操作水平,对其进行操作优化是提高乙烯装置效益的一个重要途径。乙烯裂解炉是将液化石油气、乙烷、丙烷、轻石脑油、石脑油、加氢尾油以及轻柴油等裂解原料,通过复杂的热裂解反应,转为为目标产品如乙烯、丙烯、1,3-丁二烯等“三烯”以及其他产物过程装置。由于乙烯裂解炉周期运行特点,裂解反应过程中裂解反应产品会在反应炉管和废热锅炉管内连续结焦,导致裂解炉随着运行时间的进行,裂解目标关键产品收率或产量逐渐降低。同时结焦增加传热热阻,导致裂解炉炉管外壁温度上升,当其达到一定上限值时,乙烯裂解炉需要进行清焦,以恢复裂解炉生产能力。
图1为典型的乙烯裂解炉系统示意图,裂解原料经过裂解炉对流段预热,然后与稀释蒸汽在对流段进一步过热,烃/蒸汽混合物到达500~600℃左右,进入裂解炉辐射管。燃料气在炉膛里燃烧,向裂解炉辐射管传递热量,将辐射段里的过烃/蒸汽混合物进一步加热,在辐射段出口时,温度达到800~860℃左右,自此裂解炉主要裂解反应已经完成,在经过一段绝热区域之后进入废热锅炉急冷,裂解气混合物温度降到300~500℃左右。废热锅炉系统通过高温裂解气混合物高品质热能的回收,产生高压蒸汽,输送到蒸汽管网。影响裂解炉关键产品收率和运行周期变量主要有:原料类型及进料流量,汽烃比,辐射段出口温度等,并且辐射管结焦焦层的逐渐积累增加,导致了裂解炉的全周期动态特性。
为了进一步提高乙烯裂解炉的操作水平,对工业乙烯裂解炉实施全周期动态优化研究具有重要意义,通过文献检索和专利系统发现,目前工业应用中还没有这方面的实施先例,因此充分利用现场操作历史数据结合裂解炉神经网络代理模型,结合数据挖掘和参数估计技术,开发工业乙烯裂解炉全周期动态优化技术具有重要意义。
发明内容
为了解决上述问题,本发明提供了一种基于代理模型的工业乙烯裂解炉全周期动态优化方法。
本发明技术方案如下:
一种基于代理模型的工业乙烯裂解炉全周期动态优化方法,包括以下步骤:
步骤1:构建机理模拟方案。利用裂解炉机理模拟软件,构建工业乙烯裂解炉的机理模型。这里主要用工业裂解炉的炉管几何信息,材料,裂解原料组成,以及设计资料等,利用裂解炉机理模拟软件构建实际工业乙烯裂解炉的机理模型。
步骤2:选择输入变量。依据裂解过程特点,选择的输入变量分别是辐射段出口温度、烃进料流量、汽烃比、结焦厚度和绝热段体积,并且根据设计要求和工业经验,确定每个输入变量的取值范围,即确定上下限。
步骤3:选择输出变量。依据裂解过程分析,选择裂解炉产品中关键产品收率、裂解深度丙烯/乙烯比,炉管最高温度和结焦速率作为输出变量。
步骤4:获取“输入-输出”样本集。针对已经选择的输入变量,进行计算机实验设计,利用空间填充实验设计方法,产生一定量实验设计点。应用计算机接口程序,对每个实验设计点进行裂解炉机理模拟,并将选定的输出变量读取出,这样就获得了所需要的“输入-输出”样本集。
步骤5:确定神经网络代理模型结构。针对每个输出变量,选择“多输入-单输出”的神经网络模型。神经网络具有五个输入节点,一个输出的节点,具有一个非线性隐含层和一个线性隐含层的前馈神经网络结构。
步骤6:神经网络代理模型训练。将步骤4中产生的“输入-输出”样本集,随机分成三个子样本集,一个样本集用于神经网络模型的训练,一个样本用于神经网络模型训练的验证,另外一个样本集用于神经网络模型的测试。自此获得裂解炉关键产品收率、裂解深度丙烯乙烯比(PER)炉管最大温度和结焦速率的神经网络模型代理模型。
步骤7:神经网络代理模型参数估计与矫正。步骤6获得的神经网络代理模型中,模型校正参数是要利用工业现场数据进行辨识的。因此利用现场裂解炉一段运行时间的操作数据,构建一个最小二乘参数估计算法。
步骤8:利用焦层迭代更新,获得裂解炉关键产品收率、裂解深度乙烯丙烯比(PER)、炉管最大温度和结焦速率迭代动态模型。
步骤9:基于步骤8中的裂解炉的连续动态模型,构建以天平均收益最大化为优化目标、以神经网络代理模型为非线性等式约束、以炉管最大温度和炉管结焦厚度不能超过给定上限为非线性不等式约束和有辐射段出口温度、烃进料流量、汽烃比等操作变量的上下限约束连续非线性动态优化问题。
步骤10:针对步骤9中获得的连续非线性动态优化问题,提出了一种自适应等时间间隔分段常量动态优化求解算法,将复杂非线性动态优化问题转化为一定规模非线性规划(NLP)问题。并对该NLP问题,利用数学编程技术进行了求解。动态优化求解结果,可用于指导工业乙烯裂解炉操作生产。
本发明的有益效果在于,本发明的方法首先通过裂解炉机理模拟分析,根据经验确定模拟过程中的输入变量及输入变量取值范围和输出变量;然后利用空间填充实验设计原理,依据输入变量及变量取值范围产生一定量实验设计点;再通过裂解炉机理模拟软件进行机理模拟,获得选定的输出变量值,从而输入与输出变量共同构成了裂解炉代理模型的“输入-输出”样本集;接着建立前馈神经网络裂解炉关键产品收率、炉管最大温度和结焦速率等建立代理模型,在对神经网络代理模型进行建模时,将“输入-输出”样本集随机分成三个子样本集,第一个子样本集用来对神经网络代理模型进行训练,第二个子样本集用来验证神经代理模型的训练过程,防止神经网络过拟合现象,第三个样本子集用来测试建立的神经网络代理模型。为了与工业炉实际运行数据进行匹配,针对具体某台裂解炉需要辨识和估计三个参数,即该时间序列开始时的初始辐射段等价结焦厚度、等价绝热段体积和结焦速率校正因子。这里基于粗差剔除和鲁棒非线性最小二乘算法,进行了参数的估计和辨识。然后利用结焦厚度迭代更新,获得了基于神经网络代理模型的裂解炉全周期动态模型。利用裂解炉全周期动态模型,构建了以天平均效益最大为目标,神经网络迭代代理模型为等式约束,炉管最大温度上限约束和其他变量上下限约束的裂解炉全周期连续非线性动态优化模型。由于所获得的裂解炉全周期连续非线性动态优化模型复杂,非线性强,等式和不等式约束,使得直接利用传统求解动态优化问题的变分法等难以求解。本发明提出了一种求解该难题的自适应时间分段动态优化方法,将该问题转化为一定规模的非线性规划问题(NLP)。利用数学编程技术,进行了求解。该基于代理模型的工业乙烯裂解炉全周期动态优化方法容易实施,可适用于多种裂解炉的全周期操作动态优化,有着广泛的适应性和类推性。
附图说明
图1是工业乙烯裂解炉示意图;
图2是工业乙烯裂解炉模拟“输入-输出”示意图;
图3是乙烯收率神经网络代理模型训练结果对比图;
图4是丙烯收率神经网络代理模型训练结果对比图;
图5是裂解深度PER基于神经网络代理模型的周期模拟与工业数据对比图;
图6是基于神经网络代理模型的裂解炉迭代动态模型结构示意图;
图7是全周期动态优化与经验操作案例天均收益对比图;
图8是全周期动态优化与经验操作案例随时间变化的每天收益对比图;
图9是全周期动态优化与经验操作案例随时间变化的优化变量炉管出口温度(COT)轨迹对比图;
图10是全周期动态优化与经验操作案例随时间变化的焦层厚度(Coke)轨迹对比图;
图11是全周期动态优化与经验操作案例随时间变化的中间变量炉管最大温度(TMT)轨迹对比图;
图12是全周期动态优化与经验操作案例裂解炉运行周期对比图;
具体实施方式
本具体实施例的一种基于代理模型的工业乙烯裂解炉全周期动态优化方法,是以石脑油裂解为例,但不以此为限,也可使用与气相原料、轻石脑油、加氢尾油、轻柴油等各类裂解原料。
本具体实例的工业乙烯裂解炉系统如图1所示,裂解原料经过裂解炉对流段预热,然后与稀释蒸汽在对流段进一步过热,烃/蒸汽混合物到达500~600℃左右,进入裂解炉辐射管。燃料气在炉膛里燃烧,向裂解炉辐射管传递热量,将辐射段里的过烃/蒸汽混合物进一步加热,在辐射段出口时,温度达到800~860℃左右,自此裂解炉主要裂解反应已经完成,在经过一段绝热区域之后进入废热锅炉急冷,裂解气混合物温度降到300~500℃左右。废热锅炉系统通过高温裂解气混合物高品质热能的回收,产生高压蒸汽,输送到蒸汽管网。影响裂解炉关键产品收率和运行周期变量主要有:原料类型及进料流量,汽烃比,辐射段出口温度等,并且辐射管结焦的逐渐积累增加,导致了裂解炉的全周期动态特性。因此对裂解炉进行动态优化研究具有重要意义。
基于代理模型的工业乙烯裂解炉全周期动态优化方法的实施包括以下步骤:
1.产生裂解机理模拟数据。
构建机理模拟方案。利用裂解炉机理模拟软件(如:Coilsim1DV3.1),构建工业乙烯裂解炉的机理模型。这里主要用工业裂解炉的炉管几何信息,材料,裂解原料组成,以及设计资料等,利用裂解炉机理模拟软件构建实际工业乙烯裂解炉的机理模型。
选择输入变量。依据裂解过程分析,选择输入变量分别是辐射段出口温度(COT)、烃进料流量(Fhc)、汽烃比(SHR)、结焦厚度(Coke)、绝热段体积等,并且根据设计要求和工业经验,确定每个输入变量的取值范围,取值范围为设计值和操作基准上下20%范围。
选择输出变量。依据裂解过程分析,选择裂解炉产品中关键产品收率、裂解深度丙烯/乙烯比,炉管最高温度和结焦速率等作为输出变量。其中关键产品需要根据不同裂解目标要求进行自行确定,这里以氢气、乙烯、乙烷、丙烯、1,3-丁二烯、苯等作为关键产品收率。裂解深度这里选择丙烯/乙烯(PER),炉管最高温度(TMT)是机理模拟的炉管最高温度出的温度值,结焦速率(cokerate)这里选择的是炉管结焦速率最快区域的结焦速率。
采用空间填充实验设计方法,产生一定量实验设计点。然后应用裂解炉机理机理模型,模拟获得输出变量值,自此产生了机理模拟数据,构成了建模和优化基础的“输入-输出”样本集。
2.构建裂解炉神经网络代理模型。
利用将仿真数据样本集随机分成三个子样本集,70%子样本集用作训练集,15%子样本集用作验证集,15%子样本集用作测试集。针对每个输出:氢气、乙烯、乙烷、丙烯、1,3-丁二烯、苯的收率,裂解深丙烯/乙烯比(PER),炉管最高温度(TMT),结焦速率(cokerate)等分别建立多输入-单输出神经网络模型。自此获得裂解炉关键产品收率、裂解深度丙烯乙烯比(PER)、炉管最高温度和结焦速率的神经网络模型代理模型。
3.工业数据采集与整理。
本例以石脑油为例,因此采集现场一台裂解炉一段时间运行历史数据,包括:烃进料流量(Fhc),汽烃比(SHR),炉管出口温度(COT),裂解深度丙烯/乙烯比(PER),并对其进行简单数据预处理,如粗差剔除处理过的。
4.裂解炉神经网络代理模型参数估计与校正。
利用裂解石脑油的时间序列数据,构建非线性最小二乘参数估计模型,将初始等价结焦厚度,等价绝热段体积以及结焦速率等估计出来,结焦速率是通过设定一结交速率因子来纠正。这里等价绝热体积和结焦速率校正因子,在以后模型中保持不变,而初始等价结焦厚度是要利用每个时间序列初始数据进行再估计。
5.构建裂解炉全周期动态模型。
利用结焦迭代更新方法,结合步骤4中校正好的裂解炉神经网络代理模型,构建出裂解炉自适应时间分段全周期动态模型。
6.构建裂解炉全周期动态优化模型。
利用自适应时间分段,得出自适应时间分段全周期动态优化模型如下:
1)优化目标
优化目标是考虑清焦时间的天均经济收益,j分别代表氢气、乙烯,乙烷,丙烯,1,3-丁二烯,苯中任一组分,k表示第k个时间间隔,这里Tf是变量裂解炉运行天数,TC清焦时间为2天,N时间分段数为60,Fhc是烃进料负荷,yieldj是第j个产品收率,pj是第j个产品的价格。
2)神经网络预测模型
这里ANNTMT,ANNcokerate,ANNj分别代表炉管最大温度(TMT)神经网络代理模型,结焦速率神经网络代理模型,关键产品收率神经网络代理模型。initialcoke是初始结焦厚度,这里取0.
TMT(k)=ANNTMT(Fhc(k),COT(k),Coke(k),SHR(k))(2)
cokerate(k)=ANNcokerate(Fhc(k),COT(k),coke(k),SHR(k))(3)
coke(1)=initialcoke(4)
coke(k)=coke(k-1)+cokerate(k-1)*(Tf/Nk)(5)
yieldj(k)=ANNj(Fhc(k),COT(k),coke(k),SHR(k))(6)
式(2)~(6)中k=1,2,…,N。
3)炉管最大温度限制
TMTmax是炉管最大承受温度,这是有炉管金属材质决定的,这里取1090℃。
TMT(k)≤TMTmax,其中k=1,2,…,N(7)
4)其他约束
这里Fhc,min和Fhc,max分别是烃进料流量下限和上限;COTmin和COTmax分别是出口温度下限和上限;SHRmin和SHRmax分别是汽烃比下限和上限;Tmin和Tmax分别是运行周期下限和上限,这些是要根据现场经验和炉子设计情况决定的。cokemax是允许的最大结焦厚度,这里取为出口管内径的1/4。Fds表示稀释蒸汽进料流量。
Fhc,min≤Fhc(k)≤Fhc,max,其中k=1,2,…,N(8)
COTmin≤COT(k)≤COTmax,其中k=1,2,…,N(9)
0≤coke(k)≤cokemax,其中k=1,2,…,N(10)
SHRmin≤SHR(k)≤SHRmax,其中k=1,2,…,N(11)
Tmin≤Tf≤Tmax(12)
Fhc(k)*SHR(k)=Fds,其中k=1,2,…,N(13)
7.裂解炉全周期动态优化求解。
步骤6中裂解炉自适应分段全周期动态优化问题是一个高维NLP非线性规划问题,采用专门求解该类型问题的求解软件(如GAMS)进行求解。优化结果如图7至图12所示。
综上所述仅为发明的较佳实施例而已,并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化与修饰,都应为本发明的技术范畴。
Claims (14)
1.一种基于代理模型的工业乙烯裂解炉全周期动态优化方法,其特征在于,所述方法包括以下步骤:
步骤1:构建机理模型,选择输入变量及输出变量,并获取“输入-输出”样本集;
该选择的输入变量为辐射段出口温度、烃进料流量、汽烃比、结焦厚度和绝热段体积;
该选择输出变量为关键产品收率、裂解深度丙烯乙烯比、炉管最高温度和结焦速率;
步骤2:确定神经网络代理模型结构:针对每个输出变量,选择“多输入-单输出”的神经网络模型,构成神经网络代理模型;
步骤3:将步骤1中产生的“输入-输出”样本集,代入神经网络代理模型训练;
步骤4:对步骤3中所获得的神经网络代理模型的相关参数进一步利用工业现场数据进行校正;
步骤5:利用结焦迭代更新,以神经网络模型上一步的结焦速率乘以结焦时间得到结焦厚度作为神经网络模型下一步的输入,获得裂解炉关键产品收率、裂解深度乙烯丙烯比、炉管最大温度和结焦速率迭代的连续动态模型;
步骤6:基于步骤5中的裂解炉的连续动态模型,以天平均收益最大化为优化目标、以神经网络代理模型为非线性等式约束、以炉管最高温度和炉管结焦厚度不能超过给定上限为非线性不等式约束和有辐射段出口温度、烃进料流量、汽烃比的上下限约束,构建连续非线性动态优化模型,以根据实际工况和要求对连续非线性动态优化模型进行求解以优化设定各输入输出量。
2.根据权利要求1所述的基于代理模型的工业乙烯裂解炉全周期动态优化方法,其特征在于,步骤1中还对所述输入变量根据设计要求和工业经验,设定每个输入变量的取值范围,并采用空间填充产生实验设计点,进而产生所需样本数据。
3.根据权利要求1所述的基于代理模型的工业乙烯裂解炉全周期动态优化方法,其特征在于,所述结焦厚度为整炉管的等价厚度。
4.根据权利要求1所述的基于代理模型的工业乙烯裂解炉全周期动态优化方法,其特征在于,所述绝热段体积为裂解炉裂解某一特定原料时的等价绝热段体积。
5.根据权利要求1所述的基于代理模型的工业乙烯裂解炉全周期动态优化方法,其特征在于,所述关键产品收率的关键产品包括:氢气,乙烯,乙烷,丙烯,1,3-丁二烯和苯。
6.根据权利要求1所述的基于代理模型的工业乙烯裂解炉全周期动态优化方法,其特征在于,所述结焦速率为辐射管内的等价结焦速率。
7.根据权利要求1所述的基于代理模型的工业乙烯裂解炉全周期动态优化方法,其特征在于,所述步骤2中的“多输入-单输出”神经网络模型是五个输入节点,一个输出节点,具有一个非线性隐含层和一个线性隐含层的前馈神经网络结构。
8.根据权利要求7所述的基于代理模型的工业乙烯裂解炉全周期动态优化方法,其特征在于,所述非线性隐含层有10个非线性节点,所述线性隐含层有一个线性节点。
9.根据权利要求1所述的基于代理模型的工业乙烯裂解炉全周期动态优化方法,其特征在于,所述步骤4中工业现场数据包括:进料原料类型及进料流量,汽烃比,辐射段出口温度,裂解深度丙烯乙烯比的一段历史时间序列数据。
10.根据权利要求1所述的基于代理模型的工业乙烯裂解炉全周期动态优化方法,其特征在于,所述步骤4中,所述校正是通过工业现场数据,构建一个最小二乘参数估计算法,对模型参数进行估算的。
11.根据权利要求1所述的一种基于代理模型的工业乙烯裂解炉全周期动态优化方法,其特征在于,所述步骤4中,相关参数是指:该时间序列开始时的炉管等价结焦厚度、等价绝热段体积以及结焦速率校正因子。
12.根据权利要求10所述的一种基于代理模型的工业乙烯裂解炉全周期动态优化方法,其特征在于,所述最小二乘参数估计算法是鲁棒非线性最小二乘估计算法,算法目标是使得裂解深度的神经网络代理模型计算裂解深度丙烯乙烯比与工业现场裂解深度丙烯乙烯比偏差的加权平方和最小。
13.根据权利要求1所述的基于代理模型的工业乙烯裂解炉全周期动态优化方法,其特征在于,所述步骤6中,所述对连续非线性动态优化模型进行求解,是通过自适应等时间间隔分段常量动态优化求解算法进行求解。
14.根据权利要求13所述的基于代理模型的工业乙烯裂解炉全周期动态优化方法,其特征在于,所述自适应等时间间隔分段常量动态优化求解算法是将运行时间Tf分成N份,每个时间段的时间间隔为Tf/N,其大小是随变量Tf自适应变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310419751.2A CN103605325B (zh) | 2013-09-16 | 2013-09-16 | 基于代理模型的工业乙烯裂解炉全周期动态优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310419751.2A CN103605325B (zh) | 2013-09-16 | 2013-09-16 | 基于代理模型的工业乙烯裂解炉全周期动态优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103605325A CN103605325A (zh) | 2014-02-26 |
CN103605325B true CN103605325B (zh) | 2015-09-09 |
Family
ID=50123560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310419751.2A Active CN103605325B (zh) | 2013-09-16 | 2013-09-16 | 基于代理模型的工业乙烯裂解炉全周期动态优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103605325B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104765347B (zh) * | 2015-03-26 | 2019-03-01 | 华东理工大学 | 一种渣油延迟焦化过程中收率实时预测方法 |
CN104765346B (zh) * | 2015-03-26 | 2019-03-19 | 华东理工大学 | 一种炼油过程全流程建模方法 |
CN104804761B (zh) * | 2015-03-26 | 2016-08-24 | 华东理工大学 | 一种加氢裂化装置的收率实时预测方法 |
CN104965967B (zh) * | 2015-03-26 | 2018-02-13 | 华东理工大学 | 一种常减压蒸馏装置的收率实时预测方法 |
CN106281431B (zh) * | 2016-08-26 | 2018-02-16 | 中南大学 | 一种加氢裂化装置反应深度的实时预测方法及装置 |
CN109858707B (zh) * | 2019-01-30 | 2020-06-02 | 广东石油化工学院 | 一种基于abc-anfis-ctf的乙烯裂解炉炉管智能结焦诊断方法 |
CN109920490B (zh) * | 2019-03-12 | 2023-01-03 | 中南大学 | 一种氧化铝生产蒸发过程鲁棒动态数据校正方法及其系统 |
CN111461406B (zh) * | 2020-03-10 | 2023-10-13 | 华东理工大学 | 一种基于混合建模的乙烯生产原料优化方法 |
CN114311574B (zh) * | 2021-12-30 | 2022-10-18 | 广东工业大学 | 一种注塑机注射速度的优化控制方法、系统及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101414158A (zh) * | 2008-11-19 | 2009-04-22 | 华东理工大学 | 一种乙烯裂解炉裂解反应操作条件的优化方法 |
CN101620414A (zh) * | 2009-08-12 | 2010-01-06 | 华东理工大学 | 工业乙烯裂解炉裂解深度在线优化方法 |
CN101882239A (zh) * | 2010-05-28 | 2010-11-10 | 华东理工大学 | 基于专家知识和神经网络的乙烯裂解深度建模方法 |
CN102053595A (zh) * | 2009-10-30 | 2011-05-11 | 中国石油化工股份有限公司 | 一种乙烯装置中控制裂解炉裂解深度的方法 |
-
2013
- 2013-09-16 CN CN201310419751.2A patent/CN103605325B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101414158A (zh) * | 2008-11-19 | 2009-04-22 | 华东理工大学 | 一种乙烯裂解炉裂解反应操作条件的优化方法 |
CN101620414A (zh) * | 2009-08-12 | 2010-01-06 | 华东理工大学 | 工业乙烯裂解炉裂解深度在线优化方法 |
CN102053595A (zh) * | 2009-10-30 | 2011-05-11 | 中国石油化工股份有限公司 | 一种乙烯装置中控制裂解炉裂解深度的方法 |
CN101882239A (zh) * | 2010-05-28 | 2010-11-10 | 华东理工大学 | 基于专家知识和神经网络的乙烯裂解深度建模方法 |
Non-Patent Citations (4)
Title |
---|
乙烯裂解炉的优化控制;陈市平;《石油化工技术与经济》;20110825;第27卷(第4期);第11-15页 * |
基于动态等级PSO-ELMAN的乙烯裂解深度模型及其优化控制;陈宇颖 等;《科学技术与工程》;20130308;第13卷(第7期);第1860-1867,1888页 * |
基于模糊核聚类的乙烯裂解深度DE-LSSVM多模型建模;陈贵华 等;《化工学报》;20120615;第63卷(第6期);第1790-1796页 * |
庄敏慧 等.基于改进PSO算法和集成神经网络的裂解炉在线优化.《华东理工大学学报(自然科学版)》.2009,第35卷(第5期),第756-761页. * |
Also Published As
Publication number | Publication date |
---|---|
CN103605325A (zh) | 2014-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103605325B (zh) | 基于代理模型的工业乙烯裂解炉全周期动态优化方法 | |
Motlaghi et al. | An expert system design for a crude oil distillation column with the neural networks model and the process optimization using genetic algorithm framework | |
CN101620414B (zh) | 工业乙烯裂解炉裂解深度在线优化方法 | |
Ochoa-Estopier et al. | Operational optimization of crude oil distillation systems using artificial neural networks | |
CN102213949B (zh) | 一种乙烯装置价值优化方法 | |
CN102176221B (zh) | 基于动态工况的焦炉加热燃烧过程焦炉温度预测方法 | |
Guerra et al. | Improvements in petroleum refinery planning: 1. Formulation of process models | |
Sadighi et al. | An optimisation approach for increasing the profit of a commercial VGO hydrocracking process | |
CN101414158A (zh) | 一种乙烯裂解炉裂解反应操作条件的优化方法 | |
CN103207949B (zh) | 乙烯裂解炉tle出口温度和运行周期预测方法 | |
Bi et al. | Knowledge expression, numerical modeling and optimization application of ethylene thermal cracking: From the perspective of intelligent manufacturing | |
Shahandeh et al. | Modeling and optimization of the upgrading and blending operations of oil sands bitumen | |
CN104765347A (zh) | 一种渣油延迟焦化过程中收率实时预测方法 | |
Han et al. | Energy consumption hierarchical analysis based on interpretative structural model for ethylene production | |
Sedighi et al. | A novel application of a neuro–fuzzy computational technique in modeling of thermal cracking of heavy feedstock to light olefin | |
Ma et al. | Data-driven strategies for extractive distillation unit optimization | |
CN104611000B (zh) | 一种提高大型乙烯裂解炉作业效率的生产批调度控制方法 | |
van Kollenburg et al. | Process PLS: Incorporating substantive knowledge into the predictive modelling of multiblock, multistep, multidimensional and multicollinear process data | |
Aammer et al. | Simulation and optimization of the ethane cracking furnace using ASPEN PLUS and MATLAB: A case study from petrochemical complexes | |
Guo et al. | Statistically enhanced model of oil sands operations: Well-to-wheel comparison of in situ oil sands pathways | |
CN101727609B (zh) | 基于支持向量机的热裂解产物收率的预测方法 | |
Almeida Nt et al. | Dynamic optimization of a FCC converter unit: numerical analysis | |
Jin et al. | Multi‐Objective Optimization of Pseudo‐Dynamic Operation of Naphtha Pyrolysis by a Surrogate Model | |
Ahmadloo et al. | A new diagnostic tool for performance evaluation of heavy oil waterfloods: case study of western Canadian heavy oil reservoirs | |
Niaei et al. | The use of ANN and the mathematical model for prediction of the main product yields in the thermal cracking of naphtha |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |