CN110763651A - 一种适合生产润滑油基础油的原油调配方法 - Google Patents
一种适合生产润滑油基础油的原油调配方法 Download PDFInfo
- Publication number
- CN110763651A CN110763651A CN201810836038.0A CN201810836038A CN110763651A CN 110763651 A CN110763651 A CN 110763651A CN 201810836038 A CN201810836038 A CN 201810836038A CN 110763651 A CN110763651 A CN 110763651A
- Authority
- CN
- China
- Prior art keywords
- crude oil
- property
- target
- crude
- score
- 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.)
- Granted
Links
- 239000010779 crude oil Substances 0.000 title claims abstract description 294
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000002156 mixing Methods 0.000 title claims abstract description 45
- 239000002199 base oil Substances 0.000 title claims abstract description 21
- 239000010687 lubricating oil Substances 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 31
- 238000001228 spectrum Methods 0.000 claims abstract description 19
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 230000000875 corresponding effect Effects 0.000 claims description 19
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 15
- 229910052717 sulfur Inorganic materials 0.000 claims description 15
- 239000011593 sulfur Substances 0.000 claims description 15
- 238000002835 absorbance Methods 0.000 claims description 14
- 239000002253 acid Substances 0.000 claims description 13
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 claims description 11
- 229910052751 metal Inorganic materials 0.000 claims description 8
- 239000002184 metal Substances 0.000 claims description 8
- 239000003921 oil Substances 0.000 claims description 8
- 239000012188 paraffin wax Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 7
- 229910052759 nickel Inorganic materials 0.000 claims description 5
- 229910052720 vanadium Inorganic materials 0.000 claims description 5
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000010561 standard procedure Methods 0.000 claims description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical group [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 14
- 238000005070 sampling Methods 0.000 description 6
- 238000004821 distillation Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000003209 petroleum derivative Substances 0.000 description 3
- 241000544061 Cuculus canorus Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000009835 boiling Methods 0.000 description 2
- 238000000326 densiometry Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003918 potentiometric titration Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Lubricants (AREA)
Abstract
本发明方法将已知原油组成配方组分原油样品库，取特征谱区的近红外光谱进行主成分分析，将得分矩阵与原油样品对应的关键性质组成得分‑性质矩阵，再通过在配方组分原油样品库中取n种原油进行组合，用组合原油光谱和性质得分矩阵对目标原油的得分‑性质向量进行拟合，由拟合相似度判断组合原油与目标原油的接近程度，再由相似度大于0.9的组合原油的拟合系数得到原油调合比例(或称调合配方)，从而得到适合生产润滑油基础油的配方原油。本发明方法可快速、准确地选择与目标原油最接近的组合。
Description
技术领域
本发明为由已知原油的近红外光谱及性质选择适合生产润滑油基础油的原油调配方法，具体地说，是一种通过光谱和性质拟合的方法选择适合生产润滑油基础油的原油调配方法。
背景技术
随着国民经济的发展，我国对润滑油的需求越来越大，不仅体现在数量上，而且在质量上也有了更高的要求。润滑油主要由基础油和添加剂构成，基础油的选择对润滑油的等级起了决定性作用。按照API基础油分类标准，将基础油分成I类、II类、Ⅲ类、IV类、V类。我国已基本具备生产APIⅢ类及以上基础油的能力，但往往受制于生产基础油的某些特定原油的获取。适合生产高等级基础油的原油数量有限，各生产润滑油炼厂争相采购导致价格居高不下。炼油企业原油的采购费用已到了炼油总成本的90％以上，如何选择加工的原油品种及数量对炼厂的效益影响巨大。另一方面，炼厂加工原油品种的稳定对企业安全生产至关重要，只有原油稳定了，其他装置优化才能更好的进行，炼厂效益才能提升。
适合生产高等级润滑油基础油的原油资源非常有限，价格往往较高且不易买到。若能通过几种不同原油的调配得到与适合生产润滑油基础油的目标原油性质及组成接近的混合原油，将会增加润滑型炼厂的原油选择余地，不仅能从原油采购层面提高企业效益，还能从原料稳定层面提高安全生产周期，减少企业非计划停工。
通过几种不同原油的调合得到与目标原油性质类似的混合原油，已有一些文献发表。马巍等人构建了一个多目标原油选择与混合优化模型，可以将寻找替代原油转化为原油选择与混合优化问题。在原始多目标布谷鸟搜索(MOCS)算法基础上，对编码以及Lévy飞行进行了改进，结合非支配排序方法提出了一种改进的多目标布谷鸟搜索(IMOCS)算法。利用IMOCS算法求解模型，可同时确定原油的选择和混合比例。
CN201210052695.9公开了一种多原油多性质调合优化方法，通过计算多种组分原油调合质量配比，使目标原油的多种性质达到最优值。具体步骤依次如下：建立原油性质调合规则库，进行优化预处理，根据原油调合设备实际工作能力设定设备约束大小，建立多原油多性质优化模型。该发明在调合规则库和设备约束基础上建立了多原油多性质优化模型，基于有约束自适应粒子群优化算法，对经过优化预处理后的性质进行快速、准确的优化计算，获得多种组分原油的最优配比，避免原油调合中多种原油的配比靠人工计算，计算一致性差，计算效率低而且获得配比不是最优比例的情况发生。
CN201210125412.9公开了一种原油调合优化方法，该方法面向原油加工企业，支持调合后原油性质含量与目标偏差最小，即在满足一定约束条件下，通过最小化求解各掺炼原油的相关性质含量与设定目标的偏差函数，得到各种掺炼原油的占比。出于安全性和经济性考虑，该方法还支持原油性质含量在范围内定值、向下限优化和向上限优化三种优化方式。该方法还支持经济最优优化目标，即在考虑调合后的原油性质含量与目标偏差最小的同时，实现生产成本最小化。但该法只能对有限的几个罐装原油进行性质优化调合。
发明内容
本发明的目的是提供一种由近红外光谱及性质选择适合生产润滑油基础油的原油调配方法，该法可从现有已知原油中快速选择适合生产润滑油基础油的原油配方。
本发明提供的适合生产润滑油基础油的原油调配方法，包括如下步骤：
(1)收集已知性质的原油样品100～180个，组成配方组分原油样品库，测定原油样品的近红外光谱，并用标准方法测定其关键性质，所述的关键性质包括原油密度、原油硫含量、原油酸值、原油金属(镍+钒)含量、石脑油收率、减压瓦斯油(VGO)收率、VGO密度、VGO链烷烃含量，
(2)对每个原油样品的近红外光谱进行一阶微分和矢量归一化后，取4000cm-1～4700cm-1和5300cm-1～6000cm-1特征谱区的吸光度，构成配方组分原油样品库的近红外光谱矩阵X，
(3)将配方组分原油样品库的近红外光谱矩阵X进行主成分分析，得到库样品的得分矩阵和载荷矩阵，将库样品的得分矩阵与原油样品对应的关键性质数据组成配方组分原油样品库的得分-性质矩阵X′，
(4)按与(2)步同样的方法测定目标原油的近红外光谱，并分别进行一阶微分和矢量归一化后，取4000cm-1～4700cm-1和5300cm-1～6000cm-1特征谱区的吸光度，再由库样品的载荷矩阵计算出目标原油的得分，与其对应的关键性质数据构成目标原油的得分-性质向量T，
(5)按照排列组合的方式从配方组分原油样品库中列出n种原油组配的所有可能的组合Cm n，其中m为配方组分原油样品库的样品数，用每一个组合中n个原油的得分-性质矩阵XX′和目标原油的得分-性质矢量T，按照下述方法进行拟合，
(5a)按式①以目标原油的得分-性质向量T为对象进行拟合：
其中，T为目标原油的得分-性质向量，XX′i为某一组合中第i个原油的得分-性质向量，k＝n，ai为某一组合中第i个原油对应的拟合系数，
(5b)拟合系数ai采用经典的非负约束最小二乘法求出，即满足如下目标函数：
(6)对求得的拟合系数ai均为非零的各组合，按式③进行归一化处理，得到归一化的拟合系数bi：
其中，bi为拟合系数ai均为非零的由n种不同原油组合的任一组合中第i种原油的比例，
(7)按式④计算调合原油各关键性质的隶属度，
μj为调合原油的第j个性质对应于目标原油的第j个性质的隶属度，yj为调合原油第j个性质，αj为目标原油第j个性质，σj为第j个性质的隶属度标准方差，
(8)计算各组合调合原油与目标原油的相似度S，
式中，cj为第j个性质的影响因子，μj为调和原油的第j个性质的隶属度，q为计算相似度S所用的原油性质数，
(9)取相似度大于0.9的组合，按其n种原油的混合比例作为最终的原油调合配方。
本发明方法仅需选取适合的原油关键性质数据，对已知原油进行组合、再用组合原油光谱和性质得分矩阵对目标原油的得分-性质向量进行拟合，即可得到适合生产润滑油基础油的原油调合配方，所用配方组分原油样品库为开放式，维护更加简单。
具体实施方式
本发明方法将已知原油组成配方组分原油样品库，取特征谱区的近红外光谱进行主成分分析，将得分矩阵与原油样品对应的关键性质组成得分-性质矩阵，再通过在配方组分原油样品库中取n种原油进行组合，用组合原油光谱和性质得分矩阵对目标原油的得分-性质向量进行拟合，由拟合相似度判断组合原油与目标原油的接近程度，再由相似度大于0.9的组合原油的拟合系数得到原油调合比例(或称调合配方)，从而得到适合生产润滑油基础油的配方原油。本发明方法可快速、准确地选择与目标原油最接近的组合。
本发明方法(1)步为收集已知性质的原油样品，组成配方组分原油样品库，并测定原油样品的近红外光谱，并用标准方法测定其关键性质，所述的原油样品数优选100～150个，所述的关键性质包括原油密度、原油硫含量、原油酸值、原油金属(镍+钒)含量、石脑油收率、减压瓦斯油(VGO)收率、VGO密度、VGO链烷烃含量，还可视需要添加其它性质，如还可包括原油残炭、VGO硫含量，关键性质的数量可为8～12种，优选为8～10种。
优选地，测定样品近红外光谱的分辨率为4cm-1或8cm-1，扫描次数为16次或32次。
本发明方法(2)步为取原油样品近红外光谱特征谱区的吸光度，构成配方组分原油库的近红外光谱矩阵X，在选取吸光度之前，先对原油样品近红外光谱进行一阶微分和矢量归一化处理，所述的矢量归一化方法如下：
首先，计算待处理光谱的吸光度的平均值，其次，用该光谱的吸光度减去这个平均值得到吸光度差值，然后，计算吸光度差值的平方和，最后，用吸光度差值除以这个平方和的开方。如式⑤所示：
式⑤中，Ai为待处理的任一个样品某个采样点处的光谱数据(吸光度)，A′i为矢量归一化处理后的该采样点处的光谱数据，n为原油样品近红外光谱特征谱区的波数采样点数。
本发明(3)步是将(2)步得到的近红外光谱矩阵X进行主成分分析，主成分分析的主成分数优选为10～17。按式⑥计算矩阵X的得分矩阵和载荷矩阵，
X＝Tx×P ⑥
式⑥中，X为配方组分原油库的近红外光谱矩阵，X为m×n矩阵，Tx为配方组分原油样品库的得分矩阵，Tx为m×c矩阵，P为配方组分原油样品库的载荷矩阵，为c×n矩阵，其中，m为配方组分原油样品库的样品数，n为原油近红外光谱特征谱区的波数采样点数，c为主成分数。然后将得分矩阵与原油样品对应的关键性质数据组成配方组分原油样品库的得分-性质矩阵X′。
本发明(4)步为获得目标原油的得分-性质向量T，以进行后续的拟合。将目标原油按(2)步同样的方法测定近红外光谱，分别进行一阶微分和矢量归一化后，按式⑦计算目标原油的得分，
tu＝xu×P′ ⑦
式⑦中，tu为目标原油的得分，xu为目标原油近红外光谱在特征谱区的吸光度，P′为配方组分原油样品库载荷矩阵P的转置矩阵，为n×c的矩阵，其中，n为原油近红外光谱特征谱区的波数采样点数，c为主成分数。
将目标原油的得分与其对应的关键性质数据构成目标原油的得分-性质向量T。
本发明(5)步是通过组合的方式，先将配方组分原油样品库中样品按排列组合的方式，选择n种原油进行组合，n优选2～4的整数。如将三种原油组合成一个组合，其组合数为Cm 3，将四种原油组合成一个组合，其组合数为Cm 4，然后对每个组合参与组合的原油按(5a)、(5b)的方式对目标原油的得分-性质向量T进行拟合，(5b)拟合系数ai采用经典的非负约束最小二乘法求出，非负约束最小二乘法的具体算法参见文献：C.L.Lawson andR.J.Hanson,Solving Least Squares Problems,Prentice-Hall,Englewood Cliffs,NJ(1974)；160～165。
所述n个原油的得分-性质矩阵XX′的建立方法为：将组成该组合的原油编号对应的数据从配方组分原油样品库的得分-性质矩阵X′中提取出来，如组合选取的是编号为第i，j和k三种原油，XX′矩阵的第一列为X′的第i列，XX′矩阵的第二列为X′的第j列，XX′矩阵的第三列为X′的第k列。
优选地，在按Cm n得到的组合中，将原油密度、原油酸值和原油硫含量中的任意一种性质数据的平均值与目标原油相应性质相差超过0.015g·cm-3、0.5mgKOH/g和0.5质量％的组合剔除，剩余的其它组合用于按后续步骤选择目标原油配方，即按(5a)、(5b)、(6)～(9)步的方法选择与目标原油最接近的组合。
去除拟合系数ai至少有一个为零的组合，仅取拟合系数ai均为非零的各组合，按(6)步方法进行归一化处理，得到归一化的拟合系数bi，bi即为n种不同原油组合中第i种原油的比例(即调合比例)。
(6)步中，按n种原油所有可能的组合，对目标原油的拟合可能会得到多个组合结果。即针对目标原油，会有多个调合配方。为从多个拟合系数ai均为非零的组合中选择一个与目标原油最为接近的组合配方，按(7)～(9)方法进行各组合配方与目标原油的相似度计算并比较。
(7)步为对每个组合中，逐一计算调合原油各关键性质与目标原油相应性质的隶属度，
首先，由每个组合中参与拟合的原油的拟合系数和对应性质，由式⑧计算该组合调合配方得到的调合原油的性质
式⑧中，
为按该组合的归一化的拟合系数进行原油调合所得的原油性质，bi为归一化的拟合系数，qi为参与拟合的原油样品对应的性质值，k＝n，n为组合所含的原油的种数。
将计算得到的调合原油性质，代入式④，即得到调合原油各关键性质的隶属度，对于固定的yj和αj，σj决定了隶属度的大小，定义它为隶属度方差，依据经验给出的隶属度方差数值见表1，按此方差计算的两种原油90％相似度和50％相似度的性质差值见表1。
(8)步为计算各组合调合原油与目标原油的相似度S，S由调合原油与目标原油的各性质隶属度乘以各性质隶属度的影响因子，进行加和后除以各性质隶属度的影响因子总和求得。
所述的各性质的隶属度的影响因子可通过经验给出，优选地，相似度S按下式计算，
S＝(0.8μ原油密度+0.6μ原油硫含量+0.4μ原油酸值+0.4μ原油金属含量+0.4μ石脑油收率+0.4μVGO收率+0.4μVGO密度+0.4μVGO链烷烃含量)/3.8
相似度可以从总体上综合描述调合原油和目标原油在性质上的相似程度。
求得各组合得到的调合原油和目标原油的相似度，取相似度大于0.9的组合的原油混合比例作为最终的原油调合配方。
表1
下面通过实例进一步详细说明本发明，但本发明并不限于此。
测定原油及VGO性质采用的方法如下：
原油密度：SH/T 0604-2000原油和石油产品密度测定法(U形振动管法)，
原油硫含量：GB/T17040-2008石油和石油产品硫含量的能量色散X射线测定法，
原油酸值：GB/T 7304-2014石油产品酸值的测定-电位滴定法，
原油金属含量(Ni+V)：SH/T 0715-2002原油和残渣燃料油中镍、钒、铁含量测定法(电感耦合等离子体发射光谱法)，
石脑油收率：GB/T 17280-2009原油蒸馏标准试验方法-15-理论板蒸馏柱，
减压瓦斯油收率：GB/T 17280-2009原油蒸馏标准试验方法-15-理论板蒸馏柱，
VGO密度：SH/T 0604-2000原油和石油产品密度测定法(U形振动管法)，
VGO链烷烃含量：SH/T0606-2005煤柴油馏分烃类组成质谱测定法。
实例1
(1)构建配方组分原油样品库的光谱数据库
收集市售的原油样品130种，原油品种基本覆盖了世界主要原油产区，组成配方组分原油样品库，用常规方法测定原油密度、原油硫含量、原油酸值、原油金属(镍+钒)含量，将原油进行实沸点蒸馏后得到石脑油收率、减压瓦斯油(VGO沸程：350～540℃)收率，再测定VGO密度、VGO链烷烃含量，作为关键性质。测定原油样品的近红外光谱，对其进行一阶微分和矢量归一化，取4000cm-1～4700cm-1和5300cm-1～6000cm-1特征谱区的吸光度，构成配方组分原油样品库的近红外光谱矩阵X，特征谱区的波数采样点数为365。
(2)建立配方组分原油样品库的得分-性质矩阵
将配方组分原油样品库的近红外光谱矩阵X进行主成分分析，取前10个主成分，由式⑥得到库样品的得分矩阵和载荷矩阵，将库样品的得分矩阵与对应的关键性质组成配方组分原油样品库的得分-性质矩阵X′18×130。
(3)得到目标原油的得分-性质向量
按照测定库样品同样的方法测定目标原油的近红外光谱，进行一阶微分和矢量归一化后，取4000cm-1～4700cm-1和5300cm-1～6000cm-1特征谱区的吸光度构成目标原油的近红外光谱数据。再由库样品的载荷矩阵由式⑦计算出目标原油的得分，与其关键性质构成目标原油的得分-性质向量T18×1。
(4)对目标原油的得分-性质向量通过组合的方式进行拟合
将X′18×130，以3种原油组合的方式，按照排列组合公式列出三种原油所有可能的组合(C130 3)，将所得组合中原油密度、原油酸值和原油硫含量中的任意一个的平均值与目标原油相应性质相差超过0.015g·cm-3、0.5mgKOH/g和0.5质量％的组合剔除，共得21451个组合，然后依次用每一个组合的三种原油对目标原油的得分-性质向量T18×1进行拟合，拟合按(5a)、(5b)方法进行，然后将拟合系数ai均为非零的各组合挑选出来，共23个组合，对每一组合，再按式③的方法进行归一化处理，得到归一化的拟合系数bi，即得到该组合中3种原油的混合比例，再按式⑧
计算该组合中调合原油的8种关键性质，代入式④计算该组调合原油的8种关键性质与目标原油对应性质的隶属度，其中隶属度方差σ按表1给出值计算，然后再按S＝(0.8μ密度+0.6μ硫含量+0.4μ酸值+0.4μ金属含量+0.4μ石脑油收率+0.4μVGO收率+0.4μVGO密度+0.4μVGO链烷烃含量)/3.8，计算调合原油与目标原油的相似度。
分别计算每个挑选出来的组合调配制得的调合原油与目标原油的相似度。
(5)调合原油配方
选择相似度大于0.9的三种原油的组合为调合原油配方，组合中参与拟合的3种原油在配方组分原油样品库的编号，以及调合比例见表2，调合原油的性质见表4。
表2
| 序号 | 参与混合原油编号 | 混合比例 |
| 1 | 048 | 0.109 |
| 2 | 067 | 0.410 |
| 3 | 119 | 0.481 |
实例2
按实例1的方法对目标原油的得分-性质向量进行拟合，不同的是(4)步中以4种原油组合的方式进行库样品原油的组合，可能的组合数为C130 4，将所得组合中原油密度、原油酸值和原油硫含量中的任意一个的平均值与目标原油相应性质相差超过0.015g·cm-3、0.5mgKOH/g和0.5质量％的组合剔除，共得5862个组合，然后依次用每一个组合的四种原油对目标原油的得分-性质向量T18×1进行拟合，拟合按(5a)、(5b)方法进行，然后将拟合系数ai均为非零的各组合挑选出来，共18个组合，对每一组合，再按式③的方法进行归一化处理，得到归一化的拟合系数bi，即得到该组合中4种原油的混合比例，再按式⑧计算调合原油的8种关键性质，按实例1的方法计算调合原油与目标原油的相似度。
选择相似度大于0.9的四种原油的组合为调合原油配方，组合中参与拟合的4种原油在配方组分原油样品库的编号，以及调合比例见表3，调合原油的性质见表4。
表3
| 序号 | 参与混合原油编号 | 混合比例 |
| 1 | 036 | 0.342 |
| 2 | 089 | 0.137 |
| 3 | 095 | 0.245 |
| 4 | 126 | 0.276 |
表4
Claims (7)
1.一种适合生产润滑油基础油的原油调配方法，包括如下步骤：
(1)收集已知性质的原油样品100～180个，组成配方组分原油样品库，测定原油样品的近红外光谱，并用标准方法测定其关键性质，所述的关键性质包括原油密度、原油硫含量、原油酸值、原油金属(镍+钒)含量、石脑油收率、减压瓦斯油(VGO)收率、VGO密度、VGO链烷烃含量，
(2)对每个原油样品的近红外光谱进行一阶微分和矢量归一化后，取4000cm-1～4700cm-1和5300cm-1～6000cm-1特征谱区的吸光度，构成配方组分原油样品库的近红外光谱矩阵X，
(3)将配方组分原油样品库的近红外光谱矩阵X进行主成分分析，得到库样品的得分矩阵和载荷矩阵，将库样品的得分矩阵与原油样品对应的关键性质数据组成配方组分原油样品库的得分-性质矩阵X′，
(4)按与(2)步同样的方法测定目标原油的近红外光谱，并分别进行一阶微分和矢量归一化后，取4000cm-1～4700cm-1和5300cm-1～6000cm-1特征谱区的吸光度，再由库样品的载荷矩阵计算出目标原油的得分，与其对应的关键性质数据构成目标原油的得分-性质向量T，
(5)按照排列组合的方式从配方组分原油样品库中列出n种原油组配的所有可能的组合Cm n，其中m为配方组分原油样品库的样品数，用每一个组合中n个原油的得分-性质矩阵XX′和目标原油的得分-性质矢量T，按照下述方法进行拟合，
(5a)按式①以目标原油的得分-性质向量T为对象进行拟合：
其中，T为目标原油的得分-性质向量，XX′i为某一组合中第i个原油的得分-性质向量，k＝n，ai为某一组合中第i个原油对应的拟合系数，
(5b)拟合系数ai采用经典的非负约束最小二乘法求出，即满足如下目标函数：
(6)对求得的拟合系数ai均为非零的各组合，按式③进行归一化处理，得到归一化的拟合系数bi：
其中，bi为拟合系数ai均为非零的由n种不同原油组合的任一组合中第i种原油的比例，
(7)按式④计算调合原油各关键性质的隶属度，
μj为调合原油的第j个性质对应于目标原油的第j个性质的隶属度，yj为调合原油第j个性质，αj为目标原油第j个性质，σj为第j个性质的隶属度标准方差，
(8)计算各组合调合原油与目标原油的相似度S，
式中，cj为第j个性质的影响因子，μj为调和原油的第j个性质的隶属度，q为计算相似度S所用的原油性质数，
(9)取相似度大于0.9的组合，按其n种原油的混合比例作为最终的原油调合配方。
2.按照权利要求1所述的方法，其特征在于(5)步所述的n为2～4的整数。
3.按照权利要求1所述的方法，其特征在于测定样品近红外光谱的分辨率为4cm-1或8cm-1，扫描次数为16次或32次。
4.按照权利要求1所述的方法，其特征在于(5)步中，在按Cm n得的组合中，将原油密度、原油酸值和原油硫含量的任意一种性质数据的平均值与目标原油相应性质相差超过0.015g·cm-3、0.5mgKOH/g和0.5质量％的组合剔除，剩余的其它组合用于按后续步骤选择目标原油配方。
5.按照权利要求1所述的方法，其特征在于(8)步所述的相似度S按下式计算，
S＝(0.8μ原油密度+0.6μ原油硫含量+0.4μ原油酸值+0.4μ原油金属含量+0.4μ石脑油收率+0.4μVGO收率+0.4μVGO密度+0.4μVGO链烷烃含量)/3.8。
6.按照权利要求1所述的方法，其特征在于(3)步进行主成分分析的主成分数为10～17。
7.按照权利要求1所述的方法，其特征在于所述的关键性质还包括原油残炭、VGO硫含量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810836038.0A CN110763651B (zh) | 2018-07-26 | 2018-07-26 | 一种适合生产润滑油基础油的原油调配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810836038.0A CN110763651B (zh) | 2018-07-26 | 2018-07-26 | 一种适合生产润滑油基础油的原油调配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110763651A true CN110763651A (zh) | 2020-02-07 |
| CN110763651B CN110763651B (zh) | 2022-02-08 |
Family
ID=69327543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810836038.0A Active CN110763651B (zh) | 2018-07-26 | 2018-07-26 | 一种适合生产润滑油基础油的原油调配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110763651B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114925335A (zh) * | 2022-07-21 | 2022-08-19 | 济宁昆仑石油化工有限公司 | 一种工业用油生产配比调控方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105388123A (zh) * | 2014-09-04 | 2016-03-09 | 中国石油化工股份有限公司 | 一种由近红外光谱预测原油性质的方法 |
| CN105466884A (zh) * | 2014-09-04 | 2016-04-06 | 中国石油化工股份有限公司 | 一种通过近红外光谱识别原油种类及其性质的方法 |
| CN107976417A (zh) * | 2016-10-21 | 2018-05-01 | 中国石油化工股份有限公司 | 一种基于红外光谱的原油种类识别方法 |
| CN107976416A (zh) * | 2016-10-21 | 2018-05-01 | 中国石油化工股份有限公司 | 一种由红外光谱预测原油性质的方法 |
| CN107976420A (zh) * | 2016-10-21 | 2018-05-01 | 中国石油化工股份有限公司 | 一种由近红外光谱预测混合原油组成的方法 |
-
2018
- 2018-07-26 CN CN201810836038.0A patent/CN110763651B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105388123A (zh) * | 2014-09-04 | 2016-03-09 | 中国石油化工股份有限公司 | 一种由近红外光谱预测原油性质的方法 |
| CN105466884A (zh) * | 2014-09-04 | 2016-04-06 | 中国石油化工股份有限公司 | 一种通过近红外光谱识别原油种类及其性质的方法 |
| CN107976417A (zh) * | 2016-10-21 | 2018-05-01 | 中国石油化工股份有限公司 | 一种基于红外光谱的原油种类识别方法 |
| CN107976416A (zh) * | 2016-10-21 | 2018-05-01 | 中国石油化工股份有限公司 | 一种由红外光谱预测原油性质的方法 |
| CN107976420A (zh) * | 2016-10-21 | 2018-05-01 | 中国石油化工股份有限公司 | 一种由近红外光谱预测混合原油组成的方法 |
Non-Patent Citations (2)
| Title |
|---|
| BAI LIANG ET AL: "《A Novel Scheduling Strategy for Crude Oil Blending》", 《CHINESE JOURNAL OF CHEMICAL ENGINEERING》 * |
| 刘颖荣等: "《汽油样品类型的模式识别研究与应用》", 《色谱》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114925335A (zh) * | 2022-07-21 | 2022-08-19 | 济宁昆仑石油化工有限公司 | 一种工业用油生产配比调控方法 |
| CN114925335B (zh) * | 2022-07-21 | 2022-09-20 | 济宁昆仑石油化工有限公司 | 一种工业用油生产配比调控方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110763651B (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102374975B (zh) | 一种利用近红外光谱预测油品物性数据的方法 | |
| US10082807B2 (en) | Method of preparing a certified target product from a mixture of components by spectral analysis | |
| CN107976419B (zh) | 一种由油品近红外光谱预测其性质的方法 | |
| US10295521B2 (en) | Methods and apparatuses for spectral qualification of fuel properties | |
| CN105388123B (zh) | 一种由近红外光谱预测原油性质的方法 | |
| AU2005277244B2 (en) | Refinery crude unit performance monitoring using advanced analytic techniques for raw material quality prediction | |
| CN111899793A (zh) | 一种分子级装置的实时优化方法、装置、系统及存储介质 | |
| WO2015106372A1 (zh) | 汽油调合离线优化方法 | |
| CN107250769A (zh) | 通过傅里叶变换红外光谱法(ftir)分析表征原油及其级分 | |
| CN110763649B (zh) | 一种由近红外光谱及性质选择目标原油调合配方的方法 | |
| CN109324014B (zh) | 一种自适应的原油性质近红外快速预测方法 | |
| CN111044482B (zh) | 原油调配方法 | |
| WO2023131257A1 (zh) | 一种基于大数据的炼油过程模式识别及优化方法 | |
| CN110763651B (zh) | 一种适合生产润滑油基础油的原油调配方法 | |
| CN108760789A (zh) | 一种原油快评方法 | |
| CN109777528A (zh) | 一种分子级柴油调和方法 | |
| CN109632691B (zh) | 一种原油精细物性的近红外快速分析方法 | |
| CN107976416B (zh) | 一种由红外光谱预测原油性质的方法 | |
| CN113627037A (zh) | 一种基于原油切割的直馏沥青性质预测方法 | |
| CN111829978B (zh) | 一种利用近红外光谱由已有原油调和目标原油的方法 | |
| CN107976420B (zh) | 一种由近红外光谱预测混合原油组成的方法 | |
| CN111595811B (zh) | 一种原油调配方法 | |
| CN109724938B (zh) | 由近红外光谱预测润滑油基础油性质的方法 | |
| CN104834812B (zh) | 一种基于状态空间模型的乙烯裂解原料特性分析方法 | |
| Simo et al. | Investigate the Carbon distribution and Structural Group Composition of Two Kurdistan Crude Oils (T-21A & PF2) and Their Fractions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |