CN111461406B - 一种基于混合建模的乙烯生产原料优化方法 - Google Patents
一种基于混合建模的乙烯生产原料优化方法 Download PDFInfo
- Publication number
- CN111461406B CN111461406B CN202010160453.6A CN202010160453A CN111461406B CN 111461406 B CN111461406 B CN 111461406B CN 202010160453 A CN202010160453 A CN 202010160453A CN 111461406 B CN111461406 B CN 111461406B
- Authority
- CN
- China
- Prior art keywords
- raw material
- cracking furnace
- yield
- model
- ethylene production
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及一种基于机理与数据混合建模和线性规划技术的乙烯原料优化方法,利用大规模线性规划方法在全厂约束范围之内进行乙烯原料选择优化,使得全厂利润最大化。首先,针对乙烯裂解炉建立机理模型,基于机理模型模拟产生海量数据样本,构建神经网络数据模型,建立裂解产物收率预测的混合模型。其次,针对裂解产物收率随原料属性、工艺参数变化的非线性关系,采用多段线性处理方式,利用混合模型构建收率与原料属性关键参数、关键工艺参数之间的基准‑增量数据库;将收率的基准‑增量多段线性结构数据库联合其它约束信息写入计划优化线性规划模型,利用分布递归方式求解模型,获得原料选择优化结果。为保证收率基准‑增量结构的准确性和线性规划模型的预测精度,混合模型可自动校正模型参数、快速更新收率的基准‑增量多段线性结构数据库。本发明提供的方法可以为乙烯企业原料采购、计划排产提供定量依据,从而提高企业的经济效益和原料利用率。
Description
技术领域
本发明涉及乙烯生产过程优化研究领域,具体涉及一种基于混合建模和线性规划的乙烯原料优化方法。
背景技术
乙烯工业是石油化学工业的龙头和核心,乙烯产品占石化产品的75%以上,乙烯产量是衡量一个国家石油化工发展水平的重要标志。乙烯生产中原料费用占80%~90%,直接决定了乙烯生产成本。乙烯原料结构与原料性质对产品收率和生产成本影响巨大。一般来说,原料轻质化率越高、直链烷烃含量越高的原料,双烯收率及高附加值收率就会越高,相应的边际效益越好。国内乙烯生产企业以石油基原料为主,面对页岩气革命带来的原料变化,以及由此带来的北美、中东廉价乙烯产品的冲击,做好国内乙烯原料结构的优化调整,是决定乙烯生存和盈利能力的关键,对提高国内乙烯装置的竞争力和企业的经济效益具有重大意义。
乙烯原料优化包括两大途径:一是优化炼油-化工总工艺加工流程和加工方案;二是基于现有工艺、装置、方案采用定量化的模拟工具如计划优化软件对所有可能做乙烯原料的物料流股进行优化选择和优化配置。前者依托于装置的设计、改造、加工方案的变更,涉及范围广、投资大;后者可实施的前提是企业的原油加工能力大,可提供的乙烯原料的数量充足或者具有外购乙烯原料的可行性。对于国内已建成的绝大多数石化企业,工艺总流程、设备已经定型,第二条途径是目前解决乙烯原料优化问题的重要手段。
目前,国际上的计划优化软件主要有Aspen Tech公司的PIMS(过程工业模拟系统)软件、Honeywell的RPMS(炼油和石油化工建模系统)软件。PIMS、RPMS软件的主要功能包括为企业进行原料品种和数量的优选,优化选择产品结构,优化中间物流最佳流向,按照各物流价格选择最佳库存量,进行生产模式及调合优化,计算盈亏平衡点,寻找系统瓶颈,为企业做长期规划。但是,目前国内大多数企业结合计划优化软件进行乙烯原料优化方案选择的时候,采用固定收率模型,即利用乙烯装置一定时间内的统计平均数据作为计划排产的依据。该种固定收率模型的方法无法反映原料属性、工艺条件变化引起的产物收率差异,造成PIMS、RPMS软件对乙烯原料优化时的排产结果与实际过程偏差较大。
通过建立准确的裂解产物收率模型可以提高计划优化软件中乙烯装置收率预测的准确性。目前的裂解产物收率预测模型主要有三种:经验模型、机理模型以及两者相结合的半经验半机理模型,其中机理模型因其精度高成为工程技术人员的优选模型。近年来,已有报道将基于严格机理的乙烯裂解炉模拟软件与PIMS软件结合进行乙烯生产过程的计划优化,如文献“基于PIMS-SPYRO集成技术的乙烯生产计划优化”(石油化工技术经济,第23卷第4期,页码13-16)。但是,该方法存在以下问题:一是当原料流股多、裂解炉炉型多、个数多(百万吨级以上乙烯装置一般含10台以上的裂解炉),需要对乙烯裂解炉模拟软件进行大量、多次地调用,优化过程繁琐、耗时,导致计算效率低;二是实际工业过程中,原料属性、裂解炉运行状态动态变化,乙烯裂解炉模型不可避免的与实际过程产生偏差。如何保证裂解产物收率预测和计划优化模型的准确性,是目前亟待解决的问题。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
针对现有国内外技术存在的缺陷,本发明提出一种机理与数据驱动混合建模和线性规划技术相结合的乙烯原料优化方法,该方法结合了机理建模预测裂解产物收率精度高和数据驱动模型计算速度快两者的优点,同时利用线性规划技术搜索全局最优解。本发明的技术可为石化企业进行原料采购、生产计划排产提供辅助决策,显著提高乙烯生产企业的经济效益。
为了实现上述目的,本发明针对目标乙烯生产企业的裂解炉,建立裂解炉机理模型,利用机理模型产生的收率数据作为数据模型的训练样本,对神经网络模型进行训练。将训练后的神经网络作为裂解产物收率预测模型。利用神经网络模型,通过输入原料属性、裂解炉操作条件、裂解炉炉型结构信息时,模拟产生收率的基准-增量多段线性结构数据库以描述乙烯装置产率与原料属性、工艺操作条件之间的非线性关系。神经网络模型可根据实际工业数据针对变化的原料属性自动校正模型参数,实时更新基准-增量线性结构数据库。依据基准-增量线性结构数据库、原料来源信息、全厂约束条件等建立乙烯生产过程的计划优化线性规划模型,通过分布递归求出全厂利润最大时的乙烯原料结构、裂解炉投料组合、最佳操作条件等。
具体地,本发明提供一种优化乙烯生产并构建乙烯生产过程优化模型的方法,包括如下步骤:
(1)采集乙烯生产过程数据,获得裂解产物收率,
(2)构建收率的基准-增量线性结构数据库,
(3)基于基准-增量线性结构数据库、约束条件、原料价格、产品价格,建立乙烯生产过程的优化模型,
任选的(4)以效益最大化为目标函数,求解优化模型,获得优化的乙烯生产参数。
在一个或多个实施方案中,在步骤(1)中,过程数据包括选自以下的一种或多种或全部:原料属性,裂解炉操作条件,裂解炉炉型结构信息等信息。
在一个或多个实施方案中,原料选自以下的一种或多种或全部:石脑油、轻石脑油指、气相原料、加氢尾油。
在一个或多个实施方案中,原料包括石脑油和/或轻石脑油,原料属性包括选自以下的一种或多种或全部:PIONA值、密度、馏程。在一个或多个实施方案中,PIONA值是正构烷烃、异构烷烃、环烷烃、烯烃、芳烃的含量。
在一个或多个实施方案中,原料包括气相原料,原料属性包括选自以下的一种或多种或全部:乙烷、丙烷、正丁烷、异丁烷的含量。
在一个或多个实施方案中,原料包括加氢尾油,原料属性包括选自以下的一种或多种或全部:PIONA值、密度、馏程。在一个或多个实施方案中,PIONA值是正构烷烃、异构烷烃、环烷烃、烯烃、芳烃的含量。
在一个或多个实施方案中,裂解炉操作条件包括选自以下的一种或多种或全部:进料负荷、稀释蒸汽比、进料温度、进料压力、出口温度、出口压力。
在一个或多个实施方案中,裂解炉炉型结构信息包括选自以下的一个或多个或全部:裂解炉辐射炉管的有效长度、壁厚、内径、燃烧喷嘴数量和分布。
在一个或多个实施方案中,根据生产过程数据获取裂解产物收率。在一个或多个实施方案中,裂解产物包括选自以下的一种或多种或全部:氢气、甲烷、乙烯、丙烯、乙烷、丙烷、丙炔、丙二烯、丁二烯、苯、混合碳四、裂解碳五、碳六-碳八混合物、碳九、碳十-碳十六混合物、碳十七以上混合物。
在一个或多个实施方案中,根据生产过程数据通过构建机理模型获得裂解产物收率。所述机理模型是采用乙烯裂解炉模拟软件或基于化工原理、化学反应工程的基本原理建立的模型。所述机理反应中机理为自由基反应机理。优选地,所述机理模型包括采用乙烯裂解炉模拟软件建立的模型或自行建立的裂解炉模型。在一个或多个实施方案中,所述软件为Colisim或SPYRO。
在一个或多个实施方案中,裂解产物收率通过如下步骤获得:
(1.1)采集原料属性和裂解炉炉操作条件,
(1.2)基于自由基反应机理利用乙烯裂解炉模拟软件(例如Colisim、SPYRO)建立的裂解炉模型计算出不同原料属性和操作条件下的组分收率情况,
任选的(1.3)记录并整理输入的原料信息和输出的收率数据。
在一个或多个实施方案中,在步骤(2)中,构建收率的基准-增量线性结构数据库包括:
(2.1)利用过程数据和裂解产物收率训练得到神经网络模型,
(2.2)采集原料信息(原料的种类和属性),计算原料属性的基准值,采集裂解炉操作条件参数,计算裂解炉操作条件基准值,
(2.3)根据原料属性基准值、裂解炉操作条件基准值、裂解炉炉型结构信息在神经网络模型中获取产物基准收率,
(2.4)根据裂解炉炉型结构信息和改变的原料属性和裂解炉操作条件在神经网络模型中获取产物收率,与基准收率比较获得增量收率,
(2.5)根据(2.4)的结果形成基准-增量线性结构数据库。
在一个或多个实施方案中,利用过程数据和裂解产物收率采用十折交叉验证的方式训练得到神经网络模型。在一个或多个实施方案中,对隐层数量、隐层神经元个数、正则项权重、激活函数等神经网络模型的参数进行调节。在一个或多个实施方案中,所述调节包括多次更改模型参数、训练多个模型、依靠模型精度选取神经网络参数作为训练结果。
在一个或多个实施方案中,步骤2.2-2.4中的原料属性是原料关键属性。
在一个或多个实施方案中,原料包括石脑油和/或轻石脑油,原料关键属性包括选自以下的一种或多种:正构烷烃、异构烷烃、环烷烃、烯烃的含量。
在一个或多个实施方案中,原料包括气相原料,原料属性包括选自以下的一种或多种:乙烷、丙烷、正丁烷、异丁烷的含量。
在一个或多个实施方案中,原料包括加氢尾油,原料属性包括选自以下的一种或多种:正构烷烃、异构烷烃、环烷烃、烯烃的含量。
在一个或多个实施方案中,原料属性基准值是一种或多种或全部原料流股的属性的平均值或经选取的某一原料流股的属性值。
在一个或多个实施方案中,裂解炉操作条件基准值是针对不同原料种类的裂解炉操作条件基准值。
在一个或多个实施方案中,裂解炉操作条件包括选自以下的一种或多种:进料负荷、稀释蒸汽比、进料温度、进料压力、出口温度、出口压力。
在一个或多个实施方案中,裂解炉炉型结构信息包括选自以下的一个或多个:裂解炉辐射炉管的有效长度、壁厚、内径、燃烧喷嘴数量和分布。
在一个或多个实施方案中,基准收率为全组分基准收率。
在一个或多个实施方案中,增量收率为全组分增量收率。
在一个或多个实施方案中,基准-增量多段线性结构数据库是根据基准收率和增量收率采用多段线性化处理方法描述裂解产物收率随原料属性、操作条件改变而变化的非线性关系。在一个或多个实施方案中,当原料属性和/或操作条件中的一种或多种变化时,裂解产物收率变化曲线可近似由多个折线段组成,每个折线段的收率变化为线性。
在一个或多个实施方案中,步骤2.5还包括根据实际情况更新所述基准-增量多段线性结构数据库。
在一个或多个实施方案中,通过校正神经网络模型的参数来更新所述基准-增量多段线性结构数据库。
在一个或多个实施方案中,根据工厂实际原料信息和机理模型预测数据再对已有神经网络模型进行一次或多次训练,利用每次训练后的模型和原料数据预测最新收率情况,进而自动更新步骤7)中的收率基准-增量多段线性结构数据库。
在一个或多个实施方案中,基于基准-增量多段线性结构数据库中的原料属性、操作条件、收率,约束条件,原料价格,产品价格,建立优化模型。
在一个或多个实施方案中,所述优化模型是线性规划模型。
在一个或多个实施方案中,约束条件包括选自以下的一个或多个:原料供应量约束、原料价格、裂解炉符合约束、产品价格。优选地,约束条件包括选自以下的一个或多个:可采购或可选择原料流股供应量上下限、裂解炉进料类型约束、进料负荷上下限、稀释蒸汽比上下限、出口温度上下限、出口压力上下限。
在一个或多个实施方案中,所述求解采用递归方法进行。在一个或多个实施方案中,所述求解采用递归与基准-增量多段线性结构数据库相结合的方式进行。所述递归优选分布递归。
在一个或多个实施方案中,所述乙烯生产参数包括选自以下的一个或多个:原料结构、裂解炉投料组合、裂解炉操作条件。
在一个或多个实施方案中,优化模型如式(1)所示
其中,obj指目标函数,x指模型中包含的决策变量个数,n是正整数,约束条件中包含多个等式和不等式约束信息。
在一个或多个实施方案中,优化目标值如式(2)所示
Obj=X*(MH2*PH2+MCH4*PCH4+MC2H4*PC2H4+MC3H6*PC3H6)+X*(MC2H6*PC2H6+MC3H8*PC3H8+MC4H6*PC4H6+MC5+*PC5+)-COST (2)
其中M是各产品(成分)的质量分数,P是各产品(成分)的价格,X是原料总汇流量,COST是原料成本。
在一个或多个实施方案中,原料总汇流量X和原料成本COST如式(3)所示
其中,Xi为各原料的原料量,Pi为各原料的单价,m是正整数。
在一个或多个实施方案中,优化模型的约束条件如式(4)所示
其中MAXNAPi是各原料的最大供应量,Fi是各裂解炉的进料量,MAXFi是各裂解炉的最大负荷,N是正整数。
本发明还提供一种提高乙烯生产经济效益的方法,包括:
(1)采集乙烯生产过程数据,原料信息(原料的种类和属性),裂解炉操作条件参数,裂解炉炉型结构信息,
(2)采用本文所述的方法构建的优化模型对乙烯生产参数进行优化,
(3)根据优化的乙烯生产参数调节乙烯生产。
在一个或多个实施方案中,乙烯生产参数包括选自以下的一个或多个:原料结构、裂解炉投料组合、裂解炉操作条件。
本发明还提供一种提高乙烯生产经济效益的系统,包括:
数据采集模块,采集乙烯生产过程数据,原料信息(原料的种类和属性),裂解炉操作条件参数,裂解炉炉型结构信息,
数据处理模块,采用本文所述的方法构建优化模型并求解,获取优化的乙烯生产参数,
任选的生产调节模块,根据优化的乙烯生产参数调节乙烯生产。
在一个或多个实施方案中,乙烯生产参数包括选自以下的一个或多个:原料结构、裂解炉投料组合、裂解炉操作条件。
本发明还提供一种提高乙烯生产经济效益的系统,包括计算机以及运行于计算机上的一计算机程序,计算机程序在计算机上运行本文所述的方法。
本发明还提供一种存储计算机程序的计算机可读存储介质,所述存储介质上所存储的计算机程序运行后执行本文所述的方法。
本发明的主要优点在于:
1、本发明摒弃了传统的计划优化软件中对乙烯装置模型采用固定收率的模式,使得计划排产更为准确;
2、采用机理与数据混合模型预测乙烯装置产物收率兼具机理模型的准确性和数据模型的高效性;
3、采用多段线性结构描述收率与原料属性、工艺操作条件之间的非线性关系,同时为了保证该数据结构的准确性,神经网络模型可根据工业实际数据自动校正模型参数,进而实时更新收率的基准-增量线性结构数据库;
4、采用分布递归与基准-增量线性结构数据库相结合的方式对线性规划问题进行求解,该方式可快速有效的求解大规模线性规划问题;
5、本发明的技术简单、实用、准确,在不增加设备投资、工艺改造的前提下,一次性获得最佳原料结构、最佳投料组合、最佳操作参数,显著提高乙烯企业的经济效益。
附图说明
图1是乙烯生产企业的原料来源及生产过程流程简图。
图2是本发明技术实施架构图。
图3是本发明技术中的乙烯装置产物收率预测混合模型。
图4是本发明技术中的利用分布递归求解线性规划问题的流程图。
具体实施方式
为了使本发明的技术方案路线更加清晰易懂,以下结合附图对本发明进行进一步详细说明。
在具体实施方案中,本发明提供一种优化乙烯原料并构建乙烯原料优化模型的方法,包括如下步骤:
1)采集乙烯生产过程数据,包括原料属性,裂解炉操作条件、裂解炉炉型结构信息,建立裂解炉机理模型进行裂解产物收率预测;
2)利用步骤1)的机理模型,通过改变原料属性和裂解炉操作条件模拟产生数据样本。
3)利用步骤2)中获得的数据样本训练神经网络模型。
4)获取可采购或可供乙烯装置的裂解原料流股信息包括种类、属性,计算各种原料关键属性的基准值。
5)根据实际生产过程数据确定不同原料种类的裂解炉操作条件基准值。
6)将原料属性关键属性基准值、裂解炉操作条件基准值、裂解炉炉型信息输入至神经网络模型中计算裂解产物全组分收率,该收率称为基准收率。改变原料属性值、操作条件,再次输入至神经网络模型中获得裂解产物全组分收率,与基准收率做差获得增量收率。
7)基于步骤6)获得的数据,构建裂解产物收率的基准-增量多段线性结构数据库。
8)基于基准-增量多段线性结构数据库中的原料属性、操作条件、收率等数据,同时输入各类约束条件以及原料、产品价格等数据,建立乙烯生产过程的计划优化线性规划模型。
9)以效益最大化为目标函数,利用分布递归方法求解步骤8)的计划优化线性规划模型,获得原料优化结果。
所述步骤1)的机理模型为采用商业化的乙烯裂解炉模拟软件或基于化工原理、化学反应工程的基本原理建立的模型,其中的裂解反应机理为自由基反应机理。
所述步骤1)的裂解炉炉型结构信息是裂解炉辐射炉管的有效长度、壁厚、内径等尺寸信息。
所述步骤2)的原料属性,对于石脑油和轻石脑油指的是PIONA值(正构烷烃、异构烷烃、环烷烃、烯烃、芳烃)、密度、馏程;对于气相原料指的是乙烷、丙烷、正丁烷、异丁烷;对于加氢尾油指的是PIONA值(正构烷烃、异构烷烃、环烷烃、烯烃、芳烃)、密度、馏程。
所述步骤2)的裂解炉操作条件包括进料负荷、稀释蒸汽比、进料温度、进料压力、出口温度、出口压力等信息。
所述步骤2)的数据样本除了包含原料属性、裂解炉操作条件、裂解炉炉型结构信息外,还包括裂解产物收率,裂解产物包括氢气、甲烷、乙烯、丙烯、乙烷、丙烷、丙炔、丙二烯、丁二烯、苯、混合碳四、裂解碳五、碳六-碳八混合物、碳九、碳十~碳十六混合物、碳十七以上的混合物等。
所述步骤3)的神经网络模型是对步骤2)获得的数据样本采用十折交叉验证的方式训练得到。为保证预测精度,对隐层数量、隐层神经元个数、正则项权重、批标准化、激活函数等模型参数进行调节。
所述步骤4)的原料关键属性,对于石脑油和轻石脑油指的是正构烷烃、异构烷烃、环烷烃;对于气相原料指的是乙烷、丙烷、正丁烷、异丁烷;对于加氢尾油指的是正构烷烃、异构烷烃、环烷烃。基准值是计算所有原料流股关键属性平均值获得或选取某一原料流股属性。步骤4)是为步骤6)执行的必需之步。
所述步骤5)的裂解炉操作条件指进料负荷、稀释蒸汽比、进料温度、进料压力、出口温度、出口压力。
所述步骤6)为步骤7)执行的必需之步。
所述步骤7)的基准-增量多段线性结构数据库,是基于步骤6),采用多段线性化处理方法描述裂解产物收率随原料属性、操作条件改变而变化的非线性关系,当某个原料属性或操作条件变化时,裂解产物收率变化曲线可近似由多个折线段组成,每个折线段的收率变化为线性。
为保证计划优化模型与实际过程偏差最小,通过工业实际数据对步骤3)的神经网络模型参数自动校正,进而自动更新步骤7)中的收率基准-增量多段线性结构数据库。例如,根据工厂实际原料信息和机理模型预测数据对已有神经网络模型再次训练获得模型最新参数,利用校正后的模型和原料数据预测最新收率情况,进而自动更新步骤7)中的收率基准-增量多段线性结构数据库。
所述步骤8)的各类约束条件包括可采购或可选择原料流股供应量上下限、裂解炉进料类型约束、进料负荷上下限、稀释蒸汽比上下限、出口温度上下限、出口压力上下限。
所述步骤9)的线性规划模型求解方式采用分布递归与基准-增量多段线性结构数据库相结合的方式。
所述步骤9)中原料优化结果包括最佳原料结构、最佳裂解炉投料组合、最佳裂解炉操作条件。
例如,以下以10股石脑油流股为例进一步说明本发明。
如图1所示,乙烯生产企业运营首先需要选择或购买原料流股,假设某乙烯厂可供选择或购买的流股包括NAP0~NAP9共10股石脑油流股,石脑油流股属性和价格各不相同,将购买的原料流股汇流输送到原料罐区的不同储罐,将不同储罐的NAP送入不同的裂解炉进行裂解,得出目标产品(乙烯、丙烯、氢气、丁二烯、苯等)进行销售。
如图2所示是本发明技术实施架构图,原料优化的整体方案是神经网络模型和计划优化线性规划模型。
建立机理模型后,多次改变机理模型的输入信息,由机理模型模拟生成数据样本,该数据样本用于神经网络模型的训练。示例性实施例中,采用乙烯裂解炉模拟软件Coilsim构建石脑油原料的机理模型并生成数据样本共8000条,该模型包含10000个反应方程式,主要对石脑油原料进行收率计算。如下构建石脑油原料的机理模型:首先需要收集石脑油原料属性信息(PIONA值、密度、馏程等)、裂解炉工艺参数信息(进料负荷、烯烃比、出口温度、进口温度、出口压力等)和裂解炉结构信息(有效长度、壁厚、内径等尺寸等),通过获取到的宏观信息依据香浓最大熵理论选择不同的分子库对石脑油原料进行组分表征,将获得的原料组分信息加入到机理模型相应的反应方程式中,经过求解获得其对应的收率组分信息,从而完成依靠机理模型获得原料收率的任务。
神经网络模型用于产生收率的基准-增量线性结构数据库。计划优化线性规划模型的输入包含每个流股的原料属性信息、各类约束条件、价格信息以及收率的基准-增量线性结构数据库,线性规划模型的输出结构包含原料流股优化选择结果、裂解炉进投料组合、裂解炉操作条件,线性规划模型的数学表达式如式(1)所示。
假设原料流股NAP0~NAP9的原料量为X0~X9,单价为P0~P9,则总共的原料汇流量X和原料成本COST如下式(2)所示。
假设产品收率和价格信息如表1所示。
表1产品收率的质量分数和价格信息
则最终的优化目标值表示为如下表达式。
Obj=X*(MH2*PH2+MCH4*PCH4+MC2H4*PC2H4+MC3H6*PC3H6)+X*(MC2H6*PC2H6+MC3H8*PC3H8+MC4H6*PC4H6+MC5+*PC5+)-COST (3)
假设流股NAP0~NAP9的最小最大供应量分别为MAXNAP0~MAXNAP9,裂解炉F1~FN的进料量为F1~FN,最大负荷为MAXF1~MAXFN,则线性规划模型的约束条件为如下表达式。
式(3)与式(4’)即为线性规划模型的核心方程,同时为了求解该带约束的优化问题,需要收集不同裂解炉下原料属性、工艺操作条件和收率的关系信息,才可以将每台裂解炉的产物收率求解出来,从而求出最终的收率,而该部分收率模型是基于机理模型模拟数据的神经网络模型。进一步,神经网络模型可以产生反映原料属性、工艺条件和收率间关系的基准-增量线性结构数据库,将此数据结构代入线性规划模型中,通过递归的方式求解该线性规划问题,最终迭代求解出目标函数最优时的原料流股量X0~X9以及裂解炉的进料量F1~FN,从而完成原料选择优化任务。关于收率的基准-增量线性结构数据库获取和分布递归求解线性规划问题将在下文详细叙述。
如图3所示是本发明技术中的乙烯装置产物收率预测混合模型,该部分模型的核心是神经网络模型,即利用机理与数据驱动混合建模的方式来预测裂解产物收率情况,影响收率的结果有原料属性、操作条件、炉型结构信息三部分内容。具体来讲,原料属性包含原料的正构烷烃含量、异构烷烃含量、环烷烃含量、芳烃含量、密度、馏程信息;裂解炉的操作条件包括进料量、裂解炉进口温度、裂解炉出口温度、裂解炉进口压力、裂解炉出口压力;炉型结构信息包括炉管有效长度、炉管内径、壁厚、燃烧喷嘴数量及分布。将上述信息输入到神经网络模型中,计算出收率数据,收率分布包括氢气、甲烷、乙炔、乙烯、乙烷、丙烯、丙烷、碳四、碳五+等。该模块的工作是为了向线性规划模型提供收率的基准-增量线性结构数据库,关于构建该数据库的步骤如下所示。
1)求所有原料流股的平均属性,联合炉型信息和裂解炉操作条件输入到神经网络模型中,计算裂解产物全组分收率,该收率称为基准收率。
2)改变原料中影响收率较明显的组分,如将正构烷烃组分占比加5,其他属性进行同比例缩小。将改变后的属性信息联合炉型信息和操作条件再次输入到神经网络模型中,计算收率数据,与基准收率做差获得增量收率;
3)改变工艺操作条件,方法如2)所示,获得工艺条件的基准-增量线性结构数据库。
4)针对每种炉型、每种原料重复1)~3)步骤,获得完整的基准-增量线性结构收率数据库;
收率的基准-增量数据库是采用多段线性化处理方法描述乙烯装置裂解产物收率随进料性质、工艺参数变化的非线性关系。当某个原料属性变化时,装置的收率变化曲线可近似地看作由一些折线段组成,在每个折线段,收率的变化是线性的,将折线段的某点的对应值(原料性质及其对应的收率)作为基准收率,并将该原料性质的单位变化引起的收率变化值(斜率)作为增量收率,进而构成基准-增量结构模型,线性规划优化求解时,自动选择段(基准和增量),根据优化的原料性质值,计算对应的产品产率、产量和性质。
如图4所示是利用递归方式求解线性规划问题的流程图,模型求解时需要对某些物性数据给定一个初始猜值,得到优解后,采用外部程序(用计算机语言编写的程序)检验优解,计算给定初始猜值的物性,然后用计算结果修改模型(将计算数据放入模型以替代猜值),再解模型;重复此过程,直到计算的数据在允许的容差范围内。分布递归结构模型将误差计算从外部移入线性规划模型矩阵。分布递归和简单递归的主要区别是处理猜值与计算值之间的差的方法。分布递归的误差分布是基于误差被分配到质量被用到的地方。分布递归矩阵的混流结构提供了从混流的源头到去处和从混流被使用处到混流源头的可见性。
以10股石脑油(NAP0~NAP9)汇流成NAP为例,由上文可知流股的原料量分别为X0~X9,假设石脑油流股的正构烷烃含量分别为NPW0~NPW9则递归结构如表2所示。
表2递归结构信息表
由递归结构推出误差分布项如下式。
将该误差项代入基准-增量线性结构中,可以求得收率的表达式。假设基准-增量结构如表3所示。
表3基准-增量线性结构信息表
由上表结构可以做如下计算。
由x可以求得收率的表达式。
由原料、产品的量、价格就可以求得产品的效益,即可以求得最终全厂的效益,因此可以在约束条件范围内利用分布递归获得最优的X0~X9分布,使得全厂效益最大。
此外,本发明还公开一种优化乙烯生产参数的系统或提高乙烯生产经济效益的系统,包括计算机以及运行于计算机上的计算机程序,该计算机程序在该计算机上运行如前述实施方案的优化乙烯生产参数的方法或提高乙烯生产经济效益的方法。
本发明还公开存储计算机程序的计算机可读存储介质,存储介质上所存储的计算机程序运行后执行如前述实施方案的优化乙烯生产参数的方法或提高乙烯生产经济效益的方法。
尽管为使解释简单化将上述方法图示并描述为一系列动作,但是应理解并领会,这些方法不受动作的次序所限,因为根据一个或多个实施方案,一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
本领域技术人员将进一步领会,结合本文中所公开的实施方案来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性,各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性,但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施方案描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器,但在替换方案中,该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合,例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施方案描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中,存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中,处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施方案中,所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品,则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者,其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定,这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如,如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来,则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟,其中盘(disk)往往以磁的方式再现数据,而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
实施例
为了使本发明的技术方案和优点更加明显,下面将对本发明具体实例方式中的部分技术内容进行举例说明。
某乙烯生产企业可供裂解的原料流股共有33条,原料名称及代号如表4所示。
表4某乙烯厂原料流股名称
/>
经过原料属性求平均后神经网络进行预测收率,改变原料组分多次进行预测,然后根据数据构造基准-增量数据结构,如表5为某型号裂解炉裂解石脑油的基准-增量数据。
表5某型号乙烯裂解炉石脑油基准-增量线性结构数据库
/>
将基准-增量线性结构数据库和全厂约束条件包括原料价格、原料最小最大供应量、裂解炉负荷等信息输入至线性规划模型中进行求解。在单位周期内原料选择的结果如表6所示,同时可根据原料选择情况测算出收率的最终结果如表7所示。
表6月周期内优化后的原料选择结果
/>
表7月周期内优化后的产物测算结果
产品 | 产量(吨) | 单价(1000元/吨) | 利润(元) |
氢气 | 2594 | 12.279 | 31850000 |
甲烷 | 29723 | 2.638 | 78404000 |
乙烯 | 65918 | 8.63 | 568876000 |
丙烯 | 37277 | 6.31 | 235215000 |
混合碳四 | 10194 | 2.988 | 30460000 |
丁二烯 | 10520 | 7.713 | 81144000 |
碳五 | 12116 | 4.35 | 52707000 |
裂解汽油 | 13270 | 4.181 | 55476000 |
碳九 | 2585 | 4.401 | 11377000 |
裂解燃料油 | 9414 | 3.765 | 35440000 |
苯 | 8597 | 5.82 | 50035000 |
C17+产品 | 130 | 2.99 | 388000 |
损失 | 663 | 0 | 0 |
按照以上原料优化建模过程,可以在全厂约束条件下获得最优的原料结构,以某石化企业某月实际产出与优化后的结果进行对比,平均每吨原料增加经济效益201元,证明该方法可以显著提升企业的经济效益,具体数据如表8所示。
表8月周期内优化后的效益和实际对比
同时模型的生产计划预测周期也可以根据实际生产情况来制定,表9为以周为单位进行原料优化后的效益结果,平均每吨原料利润增加至2810.07元。
表9以周为生产周期优化后的效益结果
优化后的效益(元) | |
产品销售 | 308034000 |
原料购买 | 166350000 |
产品减原料 | 141684000 |
用料量(吨) | 50420 |
单位原料利润(吨) | 2810.07 |
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的,且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此,本公开并非旨在被限定于本文中所描述的示例和设计,而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
Claims (14)
1.一种优化乙烯生产并构建乙烯生产过程优化模型的方法,包括如下步骤:
(1)采集乙烯生产过程数据,根据乙烯生产过程数据通过构建机理模型获得裂解产物收率,
(2)构建收率的基准-增量多段线性结构数据库,
(3)基于基准-增量多段线性结构数据库中的原料属性、裂解炉操作条件、裂解产物收率、约束条件、原料价格、产品价格,建立乙烯生产过程的优化模型,所述优化模型如式(1)所示
其中,obj指目标函数,x指模型中包含的决策变量个数,n是正整数,
其中,obj如式(2)所示
Obj=X*(MH2*PH2+MCH4*PCH4+MC2H4*PC2H4+MC3H6*PC3H6)+
X*(MC2H6*PC2H6+MC3H8*PC3H8+MC4H6*PC4H6+MC5+*PC5+)-COST(2)其中M是各产品的质量分数,P是各产品的价格,X是原料总汇流量,COST是原料成本,
优化模型的约束条件如式(4)所示
其中MAXNAPi是各原料的最大供应量,Fi是各裂解炉的进料量,MAXFi是各裂解炉的最大负荷,N是正整数;
式(2)中,原料总汇流量X和原料成本COST如式(3)所示
其中,Xi为各原料的原料量,Pi为各原料的单价,m是正整数,
(4)以效益最大化为目标函数,求解优化模型,获得优化的乙烯生产参数。
2.如权利要求1所述的方法,其特征在于,步骤(2)包括:
(2.1)利用乙烯生产过程数据和裂解产物收率训练得到神经网络模型,
(2.2)计算原料属性的基准值和裂解炉操作条件基准值,
(2.3)根据原料属性基准值、裂解炉操作条件基准值、裂解炉炉型结构信息在神经网络模型中获取产物基准收率,
(2.4)根据裂解炉炉型结构信息和改变的原料属性和裂解炉操作条件在神经网络模型中获取产物收率,与基准收率比较获得增量收率,
(2.5)根据(2.4)的结果形成基准-增量多段线性结构数据库,
其中,原料属性基准值是一种或多种原料的属性的平均值,裂解炉操作条件基准值是针对不同原料种类的裂解炉操作条件基准值。
3.如权利要求1或2所述的方法,其特征在于,所述方法具有选自以下的一个或多个特征:
所述乙烯生产过程数据包括选自以下的一种或多种:原料属性,裂解炉操作条件,裂解炉炉型结构信息;
所述乙烯生产参数包括选自以下的一个或多个:原料结构、裂解炉投料组合、裂解炉操作条件;
步骤(1)所述机理模型是基于化工原理、化学反应工程的基本原理建立的模型。
4.如权利要求1或2所述的方法,其特征在于,步骤(1)所述机理模型是自由基反应机理模型。
5.如权利要求1或2所述的方法,其特征在于,所述方法具有选自以下的一个或多个特征:
原料选自以下的一种或多种:石脑油、轻石脑油、气相原料、加氢尾油;原料属性包括选自以下的一种或多种:PIONA值、密度、馏程、乙烷、丙烷、正丁烷、异丁烷的含量;
裂解炉操作条件包括选自以下的一种或多种:进料负荷、稀释蒸汽比、进料温度、进料压力、出口温度、出口压力;
裂解炉炉型结构信息包括选自以下的一个或多个:裂解炉辐射炉管的有效长度、壁厚、内径、燃烧喷嘴数量和分布;
裂解产物包括选自以下的一种或多种:氢气、甲烷、乙烯、丙烯、乙烷、丙烷、丙炔、丙二烯、丁二烯、苯、混合碳四、裂解碳五、碳六-碳八混合物、碳九、碳十-碳十六混合物、碳十七以上混合物。
6.如权利要求1或2所述的方法,其特征在于,所述方法具有选自以下的一个或多个特征:
在步骤(2.1)中,利用乙烯生产过程数据和裂解产物收率采用十折交叉验证的方式训练得到神经网络模型;
基准-增量多段线性结构数据库是根据基准收率和增量收率采用多段线性化处理方法描述裂解产物收率随原料属性、操作条件改变而变化的非线性关系;
步骤(2.5)还包括通过校正神经网络模型的参数来更新所述基准-增量多段线性结构数据库。
7.如权利要求1或2所述的方法,其特征在于,所述方法具有选自以下的一个或多个特征:
约束条件包括选自以下的一个或多个:原料供应量约束、原料价格、裂解炉符合约束、产品价格;
在步骤(4)中,所述求解采用递归方法进行。
8.如权利要求1或2所述的方法,其特征在于,约束条件包括选自以下的一个或多个:可采购或可选择原料供应量上下限、裂解炉进料类型约束、进料负荷上下限、稀释蒸汽比上下限、出口温度上下限、出口压力上下限。
9.如权利要求1或2所述的方法,其特征在于,在步骤(4)中,所述求解采用递归与基准-增量多段线性结构数据库相结合的方式进行。
10.如权利要求9所述的方法,其特征在于,所述递归是分布递归。
11.一种优化乙烯生产的方法,包括:
(1)采集乙烯生产过程数据,
(2)采用权利要求1-10中任一项所述的方法构建的优化模型对乙烯生产参数进行优化,
(3)根据优化的乙烯生产参数调节乙烯生产;
所述乙烯生产过程数据包括选自以下的一种或多种:原料属性,裂解炉操作条件,裂解炉炉型结构信息;
所述乙烯生产参数包括选自以下的一个或多个:原料结构、裂解炉投料组合、裂解炉操作条件。
12.一种优化乙烯生产的系统,包括:
数据采集模块,采集乙烯生产过程数据,原料属性,裂解炉操作条件,裂解炉炉型结构信息,
数据处理模块,采用权利要求1-10中任一项所述的方法构建优化模型并求解,获取优化的乙烯生产参数,
生产调节模块,根据优化的乙烯生产参数调节乙烯生产;
乙烯生产参数包括选自以下的一个或多个:原料结构、裂解炉投料组合、裂解炉操作条件。
13.一种优化乙烯生产的系统,包括计算机以及运行于计算机上的一计算机程序,计算机程序在计算机上运行权利要求1-11中任一项所述的方法。
14.一种存储计算机程序的计算机可读存储介质,所述存储介质上所存储的计算机程序运行后执行权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160453.6A CN111461406B (zh) | 2020-03-10 | 2020-03-10 | 一种基于混合建模的乙烯生产原料优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160453.6A CN111461406B (zh) | 2020-03-10 | 2020-03-10 | 一种基于混合建模的乙烯生产原料优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461406A CN111461406A (zh) | 2020-07-28 |
CN111461406B true CN111461406B (zh) | 2023-10-13 |
Family
ID=71684203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010160453.6A Active CN111461406B (zh) | 2020-03-10 | 2020-03-10 | 一种基于混合建模的乙烯生产原料优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461406B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686430B (zh) * | 2020-12-16 | 2024-02-23 | 南京富岛信息工程有限公司 | 一种提高炼化企业装置产品收率模型精度的方法 |
CN112597430B (zh) * | 2020-12-22 | 2024-04-05 | 浙江中控技术股份有限公司 | 一种用于复杂精馏塔的操作参数优化方法 |
CN115954060B (zh) * | 2023-01-04 | 2023-07-25 | 广东辛孚科技有限公司 | 一种乙烯蒸汽裂解炉的模拟方法及装置 |
CN116629913B (zh) * | 2023-07-24 | 2023-10-03 | 山东青上化工有限公司 | 一种复合肥料生产过程数据提取系统及处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002329187A (ja) * | 2001-04-27 | 2002-11-15 | Petroleum Energy Center | 石油コンビナートの運転条件の推定方法 |
CN101251868A (zh) * | 2008-04-08 | 2008-08-27 | 哈尔滨工程大学 | 水下潜器运动机理模型与递归神经网络并行建模方法 |
CN102213949A (zh) * | 2010-04-08 | 2011-10-12 | 中国石油化工股份有限公司 | 一种乙烯装置价值优化方法 |
CN103605325A (zh) * | 2013-09-16 | 2014-02-26 | 华东理工大学 | 基于代理模型的工业乙烯裂解炉全周期动态优化方法 |
CN109988054A (zh) * | 2017-12-29 | 2019-07-09 | 中国石油天然气股份有限公司 | 一种乙烯生产所用裂解原料的配置方法 |
-
2020
- 2020-03-10 CN CN202010160453.6A patent/CN111461406B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002329187A (ja) * | 2001-04-27 | 2002-11-15 | Petroleum Energy Center | 石油コンビナートの運転条件の推定方法 |
CN101251868A (zh) * | 2008-04-08 | 2008-08-27 | 哈尔滨工程大学 | 水下潜器运动机理模型与递归神经网络并行建模方法 |
CN102213949A (zh) * | 2010-04-08 | 2011-10-12 | 中国石油化工股份有限公司 | 一种乙烯装置价值优化方法 |
CN103605325A (zh) * | 2013-09-16 | 2014-02-26 | 华东理工大学 | 基于代理模型的工业乙烯裂解炉全周期动态优化方法 |
CN109988054A (zh) * | 2017-12-29 | 2019-07-09 | 中国石油天然气股份有限公司 | 一种乙烯生产所用裂解原料的配置方法 |
Non-Patent Citations (4)
Title |
---|
Yanfang YU and Feng QIAN.Multi-scale linear programming support vector regression for ethylene distillation modeling.《2008 7th World Congress on Intelligent Control and Automation》.2008,全文. * |
徐凯.乙烯生产过程能效优化及评价方法研究.《中国优秀硕士学位论文全文数据库(电子期刊)》.2019,全文. * |
钟伟民 ; 李超远 ; 彭鑫 ; 万锋 ; 安许峰 ; 田洲 ; .聚乙烯生产过程操作优化知识库设计与实现.Engineering.2019,(第06期),全文. * |
陈孜 ; 邱彤 ; 何小荣 ; .基于生产计划模型制定乙烯原料优化方案.计算机与应用化学.2010,(第07期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111461406A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461406B (zh) | 一种基于混合建模的乙烯生产原料优化方法 | |
CN100409232C (zh) | 操作碳氢化合物生产设施的方法与系统 | |
CN101286065B (zh) | 一种原油掺炼多周期优化的原油调合调度方法 | |
CN102213949B (zh) | 一种乙烯装置价值优化方法 | |
US20060184254A1 (en) | Method for creating a linear programming model of an industrial process facility | |
CN104484714B (zh) | 一种催化重整装置收率的实时预测方法 | |
CN103524284B (zh) | 一种乙烯裂解原料配置的预测和优化方法 | |
CN102053595A (zh) | 一种乙烯装置中控制裂解炉裂解深度的方法 | |
CN103065204B (zh) | 一种verna-ga的汽油调合优化调度方法 | |
CN102184287B (zh) | 一种废塑料炼油燃烧优化的建模方法 | |
CA2778946A1 (en) | Multi-stage processes and control thereof | |
CN106709654A (zh) | 一种加氢裂化流程全局运行状况评估与质量追溯方法 | |
Li et al. | Refinery production planning optimization under crude oil quality uncertainty | |
CN111475957B (zh) | 一种基于装置机理的炼油过程生产计划优化方法 | |
CN101727609B (zh) | 基于支持向量机的热裂解产物收率的预测方法 | |
JP7380021B2 (ja) | システム、方法、および、プログラム | |
Asprion et al. | Decision support for the development, simulation and optimization of dynamic process models | |
Boukouvala et al. | Data-driven modeling and global optimization of industrial-scale petrochemical planning operations | |
Zapf et al. | Case-study of a flowsheet simulation using deep-learning process models for multi-objective optimization of petrochemical production plants | |
CN115938502A (zh) | 一种基于分子级反应机理的化工产物特性预测方法及系统 | |
Li et al. | An integrated data-driven modeling and gas emission constraints for large-scale refinery production planning framework | |
Nian et al. | Strategy of changing cracking furnace feedstock based on improved group search optimization | |
JP2021056736A (ja) | システム、方法、および、プログラム | |
JP7380022B2 (ja) | システム、方法、および、プログラム | |
CN114297882A (zh) | 一种工业催化裂化装置的操作优化方法及系统 |
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 |