CN111863143A - 一种用于催化裂化动力学模型的参数估值方法及装置 - Google Patents
一种用于催化裂化动力学模型的参数估值方法及装置 Download PDFInfo
- Publication number
- CN111863143A CN111863143A CN202010756805.4A CN202010756805A CN111863143A CN 111863143 A CN111863143 A CN 111863143A CN 202010756805 A CN202010756805 A CN 202010756805A CN 111863143 A CN111863143 A CN 111863143A
- Authority
- CN
- China
- Prior art keywords
- particle
- parameter estimation
- catalytic cracking
- kinetic model
- reaction
- 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.)
- Pending
Links
- 238000004523 catalytic cracking Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000002245 particle Substances 0.000 claims abstract description 118
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000006243 chemical reaction Methods 0.000 claims description 48
- 239000003054 catalyst Substances 0.000 claims description 27
- 239000007789 gas Substances 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 21
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 229910052757 nitrogen Inorganic materials 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 239000002994 raw material Substances 0.000 claims description 8
- 125000003118 aryl group Chemical group 0.000 claims description 7
- 238000004939 coking Methods 0.000 claims description 6
- 239000000084 colloidal system Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001179 sorption measurement Methods 0.000 claims description 6
- 239000000571 coke Substances 0.000 claims description 5
- 230000009849 deactivation Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 239000003513 alkali Substances 0.000 claims description 3
- 150000004945 aromatic hydrocarbons Chemical class 0.000 claims description 3
- 230000002779 inactivation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000035484 reaction time Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000000528 statistical test Methods 0.000 claims description 3
- 239000011800 void material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 30
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000011164 primary particle Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000007809 chemical reaction catalyst Substances 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Crystallography & Structural Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Abstract
本发明公开了一种用于催化裂化动力学模型的参数估值方法及装置,属于石油化工技术领域。该参数估值方法包括采用粒子群算法对催化裂化动力学模型进行求解,直至适应度达到终止条件。粒子群算法中的粒子群包括用于集中于搜索区间的部分区域的子粒子群和用于分散于整个搜索区间的主粒子群。适应度的终止条件为求得的解为最优解或无法继续求解。该方法使用了分工明确的两个粒子群,子粒子群有利于快速找到局部最优点并加快算法的收敛速度,同时主粒子群分散在整个搜索区间中,保证了粒子的差异性。相对于传统的算法,该算法不仅可以应用于大搜索区间和高维的最优化问题,而且由于不用更新子粒子群的历史最优点,使其具有更快的搜索速度。
Description
技术领域
本发明涉及石油化工技术领域,具体而言,涉及一种用于催化裂化动力学模型的参数估值方法及装置。
背景技术
在生产实践中,当希望通过优化生产操作方案,提高经济效益时,往往需要建立数学模型,并对模型进行求解。模型的求解过程实质上是高维复杂函数寻优过程。这些数学模型一般包含常微分方程组或者偏微分方程组,具有非线性、不可微、极多峰的特性,而且由于未知参数众多,模型十分庞大,通常存在着大量的局部最优点,这就需要一种可以在定义域内进行全局寻优的算法,这种全局寻优的算法不需要计算目标函数的梯度,同时又能根据演化规则在定义域内搜索最优解。
目前,应用较多的全局优化算法是粒子群算法(Particle swarm optimization,PSO)和遗传算法(genetic algorithm,GA)。相对于遗传算法,粒子群算法自身参数少、过程较简单、循环步骤较少、运行速度快,因此在工程计算中更加实用。
但现有的粒子群算法不适用于大搜索区间和高维的最优化问题。
鉴于此,特提出本发明。
发明内容
本发明的目的包括提供一种用于催化裂化动力学模型的参数估值方法及装置,以克服以上问题。
本申请是这样实现的:
第一方面,本申请提供一种用于催化裂化动力学模型的参数估值方法,包括以下步骤:
采用粒子群算法对催化裂化动力学模型进行求解,直至适应度达到终止条件。
粒子群算法中的粒子群包括用于集中于搜索区间的部分区域的子粒子群和用于分散于整个搜索区间的主粒子群。
适应度的终止条件为求得的解为最优解或无法继续求解。
上述催化裂化动力学模型的基本方程为:
其中,ai表示第i集总的浓度,X=x/H表示床层中x截面处的无因次相对距离,H表示催化剂床层总长,a表示浓度,P表示体系压力;R为气体常数;T表示体系温度,SWH表示真实的重时空速;K为反应速率常数矩阵;f(A)表示重芳烃吸附对催化剂活性的影响,KA表示芳烃吸附因子,CA、CR和CB分别表示原料中芳烃、胶质和沥青质的质量百分含量,f(N)表示原料中碱性氮对催化剂活性的影响,KN表示碱氮失活系数,CN表示碱氮质量百分含量,表示催化剂生焦对活性的影响,且认为催化剂生焦速率仅是催化剂停留时间的函数,tc为催化剂停留时间,β为催化剂失活常数。
在可选的实施方式中,求解过程中,先初始化催化裂化动力学模型中的参数,并将参数设置成子粒子群和主粒子群,随后将各参数代入催化裂化动力学模型中进行迭代求解,直至适应度达到终止条件。
在可选的实施方式中,初始化包括:随机生成子粒子群的位置坐标Xs=(x1 s,x2 s,…,xn s)和速度VS=(v1 s,v2 s,…,vn s)以及主粒子群的位置坐标XM=(x1 M,x2 M,…,xn M)和速度VM=(v1 M,v2 M,…,vn M)。计算子群和主群各粒子的适应度。将每个主群粒子的位置坐标作为其对应的历史最优位置pbestM=(pbest1 M,pbest2 M,…,pbestn M),计算出两个粒子群的最优位置并记录为gbest=(gbest1,gbest2,…,gbestn),计算出子群的最优位置gbests=(gbest1 s,gbest2 s,…,gbestn s)。
在可选的实施方式中,迭代求解包括更新子粒子群和更新主粒子群,直至更新至全局最优位置。
其中,更新子粒子群包括:
按更新子粒子群的速度,按更新子粒子群的位置;更新子群的最优位置gbests;其中,t代表目前的迭代次数,c1 s和c2 s为学习因子,c1 s=c2 s=2.0,r1和r2为介于[0,1]之间的随机数,xk=(xk1,xk2,…,xkD,)随机选自xi的临域。
在可选的实施方式中,更新主粒子群包括:
按 更新主粒子群的速度,按更新主粒子群的位置;更新主群每个粒子的最优位置pbestM;其中,c1 M、c2 M和c3 M为学习因子,c1 M=c2 M=c3 M=2.0,r1、r2和r3为介于[0,1]之间的随机数,wM为惯性因子,wM=1.0。
在可选的实施方式中,催化裂化动力学模型中的集总由催化裂化反应的原料和产品共同划分而得,集总包括原料饱和分集总、原料芳香分集总、原料胶质和沥青质集总、柴油集总、汽油集总、液化气集总、干气集总和焦炭集总。
在可选的实施方式中,催化裂化动力学模型根据连续性方程及反应速率方程得出;
其中,下标i表示集总组分,取值范围为1-8,下标j表示第j个反应,取值范围为1-22,t表示反应时间,Gv表示油气横截面表面的质量流速,x表示从提升管入口算起进入反应器的距离,Ri表示第i集总的反应速率,vi,j表示i集总在反应j中的化学计量系数,rj表示j反应的反应速率,kj表示反应j的反应速率常数;ρc表示相对反应器体积的催化剂密度,ε表示空隙率。
在可选的实施方式中,还包括获取最小化目标函数值φ。
在可选的实施方式中,还包括用决定性指标ρj 2对模型参数的准确性进行统计检验,检验公式如下:
第二方面,本申请还提供了一种催化裂化动力学模型的参数估值装置,该参数估值装置包括采用上述参数估值方法进行参数估值的参数估值模块。
第三方面,本申请还提供了一种电子设备,包括处理器及存储器,所述存储器存储有计算机可读取指令,当计算机可读取指令由处理器执行时,运行上述参数估值方法中的步骤。
第四方面,本申请还提供了一种可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时运行上述参数估值方法中的步骤。
本申请的有益效果包括:
本申请通过提出改进粒子群算法,使用分工明确的两个粒子群,子粒子群总是集中在一个较小的区域中,可快速找到局部最优点并加快算法的收敛速度,同时主粒子群分散在整个搜索区间中,保证了粒子的差异性。相对于传统的算法,该算法可以应用于大搜索区间和高维的最优化问题。将该改进粒子群算法用于高维复杂函数催化裂化动力学模型的参数估值,寻优能力较强,能较好地解决其它优化算法应用于高维复杂函数寻优精度较低的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请提出的用于催化裂化动力学模型的参数估值方法的流程图;
图2为本申请催化裂化动力学模型中由8个集总建立的反应网络图;
图3为实施例1中试验结果和模型计算值的对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将对本发明实施例中的技术方案进行清楚、完整地描述。实施例中未注明具体条件者,按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者,均为可以通过市售购买获得的常规产品。
下面对本申请提供的用于催化裂化动力学模型的参数估值方法及装置进行具体说明。
本申请提出一种用于催化裂化动力学模型的参数估值方法,包括以下步骤:采用粒子群算法对催化裂化动力学模型进行求解,直至适应度达到终止条件。
在粒子群算法中,所有的粒子都有一个由被优化的函数决定的适应值,每个粒子均有一个速度决定其在搜索区间的搜索方向和距离,其余粒子则追随当前的最优粒子在解空间中搜索。
上述粒子即对应动力学模型的解,通过迭代找到最优解,每一次迭代中,粒子通过跟踪两个“极值”来更新自己,第一个极值为粒子本身所找到的最优解,另一个极值为整个种群找到的最优解,这个极值则是全局极值。本申请中所用的粒子群算法为发明人付出创造性劳动后得到的改进粒子群算法。该算法中所用的粒子群同时包括用于集中于搜索区间的部分区域的子粒子群和用于分散于整个搜索区间的主粒子群。其中,子粒子群集中于一个较小的区域中,有利于快速找到局部最优点并加快算法的收敛速度。主粒子群可保证粒子的差异性。通过子粒子群和主粒子群分工协作,使该方法可应用于大搜索区间和高维的最优化问题。
上述适应度的终止条件为求得的解为最优解或无法继续求解(如达到最大迭代次数)。
其中,催化裂化动力学模型的基本方程为:
其中,ai表示第i集总的浓度(mole/g气体),X=x/H表示床层中x截面处的无因次相对距离,H表示催化剂床层总长,a表示浓度,P表示体系压力;R为气体常数;T表示体系温度,SWH表示真实的重时空速;K为反应速率常数矩阵;f(A)表示重芳烃吸附对催化剂活性的影响,KA表示芳烃吸附因子,CA、CR和CB分别表示原料中芳烃、胶质和沥青质的质量百分含量,f(N)表示原料中碱性氮对催化剂活性的影响,KN表示碱氮失活系数,CN表示碱氮质量百分含量,表示催化剂生焦对活性的影响,且认为催化剂生焦速率仅是催化剂停留时间的函数,tc为催化剂停留时间,β为催化剂失活常数。
可参照地,求解过程中,初始化子粒子群和主粒子群,随后代入催化裂化动力学模型中进行迭代求解,直至适应度达到终止条件。也即先初始化催化裂化动力学模型中的参数,并将参数设置成子粒子群和主粒子群,随后将各参数代入催化裂化动力学模型中进行迭代求解,直至适应度达到终止条件。
参数估值方法的流程图可参照图1。
上述初始化粒子群作为求解的第一步,包括:在D维的解空间内初始化(随机生成)含有n个粒子的子粒子群的位置坐标Xs=(x1 s,x2 s,…,xn s)和含有n个粒子的主粒子群的位置坐标XM=(x1 M,x2 M,…,xn M)。可参照地,n可以取值50。
随后初始化子粒子群的速度VS=(v1 s,v2 s,…,vn s)以及主粒子群的速度VM=(v1 M,v2 M,…,vn M)。计算子群和主群各粒子的适应度。将每个主群粒子的位置坐标作为其对应的历史最优位置pbestM=(pbest1 M,pbest2 M,…,pbestn M),计算出两个粒子群的最优位置并记录为gbest=(gbest1,gbest2,…,gbestn),计算出子群的最优位置gbests=(gbest1 s,gbest2 s,…,gbestn s)。
上述初始化粒子群过程不用更新子粒子群的历史最优点,使其较现有的粒子群算法具有更快的搜索速度。
进一步地,迭代求解包括更新子粒子群(第二步)和更新主粒子群(第三步),直至更新至全局最优位置(第四步)。
其中,第二步的更新子粒子群包括更新子粒子群的速度和位置,随后更新子群的最优位置gbests。
按更新子粒子群的速度,按更新子粒子群的位置,进而更新子群的最优位置gbests。其中,t代表目前的迭代次数,c1 s和c2 s为学习因子,c1 s=c2 s=2.0,r1和r2为介于[0,1]之间的随机数,xk=(xk1,xk2,…,xkD,)随机选自xi的临域。
进一步地,第三步的更新主粒子群包括更新主粒子群的速度和位置,随后更新主群每个粒子的最优位置gbestM。
按 更新主粒子群的速度,按更新主粒子群的位置;进而更新主群每个粒子的最优位置pbestM。其中,c1 M、c2 M和c3 M为学习因子,c1 M=c2 M=c3 M=2.0,r1、r2和r3为介于[0,1]之间的随机数,wM为惯性因子,wM=1.0。
通过上述得到的子群的最优位置和主群每个粒子的最优位置从而更新全局的最优位置gbest。
以该更新得到的全局的最优位置gbest判断是否达到终止条件,若该结果已经达到最大迭代次数或已找到满足精度要求的解时,即可输出结果,算法终止,若未达到终止条件,则重复上述第二步至第四步,直至最终达到终止条件。
承上,本申请所提供的上述改进后的粒子群算法具有较高收敛速度和收敛精度,可有效解决高维复杂函数寻优精度较低的问题。
催化裂化由于其原料加工范围广、适应性强、产品价值高、操作条件相对缓和等优点而成为重油轻质化的重要手段。其体系复杂,所涉及的反应种类繁多,且多为平行-顺序反应,各反应间偶联性很强,因此多采用集总动力学模型描述催化裂化反应过程,通过催化裂化动力学模型以预测原料生产的产品分布。
本申请的催化裂化动力学模型中的集总由催化裂化反应的原料和产品共同划分而得,集总包括原料饱和分(Rs)集总、原料芳香分(Ra)集总、原料胶质和沥青质(Rrb)集总、柴油(D)集总、汽油(G)集总、液化气(LPG)集总、干气(Gas)集总和焦炭(Ck)集总。
根据上述8个集总建立如图2所示的反应网络,该反应网络中共包含22个反应。
对于提升管反应器,由于油气流量高,通过时间短,可以忽略返混,因此可将提升管反应器假设为理想活塞流反应器。对等温、气相、活塞流反应器,质点内扩散可以忽略不计。
由此,本申请中的催化裂化动力学模型根据以下连续性方程及反应速率方程得出。
其中,下标i表示集总组分,取值范围为1-8,下标j表示第j个反应,取值范围为1-22,t表示反应时间,Gv表示油气横截面表面的质量流速,x表示从提升管入口算起进入反应器的距离,Ri表示第i集总的反应速率,vi,j表示i集总在反应j中的化学计量系数,rj表示j反应的反应速率,kj表示反应j的反应速率常数;ρc表示相对反应器体积的催化剂密度,ε表示空隙率。
上述催化裂化动力学模型可以描述为一个常微分方程组,包括47个未知参数,因此,该模型的参数估计是一个典型的高维复杂函数寻优问题。本申请将该动力学参数估值主要分为两个部分,一部分为最优化算法,即使用上述改进的粒子群算法,另一部分是目标函数的求解,即动力学模型求解,具体可用四阶龙格库塔法求解常微分方程即可得到目标函数适应度。
进一步地,还包括获取最小化目标函数值φ。
其中,nexp是试验的次数,ncexp是组分数,wj是权重因子,aij表示i集总在反应j中的浓度。
进一步地,还包括用决定性指标ρj 2对模型参数的准确性进行统计检验,检验公式如下:
值得说明的是,本申请中上述参数估值方法涉及的其它未记载的原理和过程可参照现有技术,在此不做过多赘述。
此外,本申请还提供了一种催化裂化动力学模型的参数估值装置,该参数估值装置包括采用上述参数估值方法进行参数估值的参数估值模块。
进一步地,本申请还提供了一种电子设备,包括处理器及存储器,所述存储器存储有计算机可读取指令,当计算机可读取指令由处理器执行时,运行上述参数估值方法中的步骤。
进一步地,本申请还提供了一种可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时运行上述参数估值方法中的步骤。
其中,电子设备可以包括催化裂化动力学模型的参数估值装置、存储器、存储控制器、处理器、外设接口、输入输出单元、音频单元和显示单元。
上述存储器、存储控制器、处理器、外设接口、输入输出单元、音频单元、显示单元各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。催化裂化动力学模型的参数估值装置包括至少一个可以软件或固件(firmware)的形式存储于所述存储器中或固化在催化裂化动力学模型的参数估值装置的操作系统(operating system,OS)中的软件功能模块。处理器用于执行存储器中存储的可执行模块,例如催化裂化动力学模型的参数估值装置包括的软件功能模块或计算机程序。
其中,存储器可以但不限于为随机存取存储器(RAM),只读存储器(ROM),可编程只读存储器(PROM),可擦除只读存储器(EPROM),电可擦除只读存储器(EEPROM)等。其中,存储器用于存储程序,处理器在接收到执行指令后,执行对应的程序,本申请涉及的流过程定义的服务器所执行的方法可以应用于处理器中,或者由处理器实现。
处理器可以是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(CPU)、网络处理器(NP)等;还可以为数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
外设接口将各种输入/输出装置耦合至处理器以及存储器。可参考地,外设接口、处理器以及存储控制器可以在单个芯片中实现,此外,也可分别由独立的芯片实现。
输入输出单元用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。输入输出单元可以但不限于为鼠标和键盘等。
音频单元向用户提供音频接口,其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元在所述电子设备与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。可参考地,显示单元可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器进行计算和处理。
外设接口将各种输入/输入装置耦合至处理器以及存储器。可参考地,外设接口,处理器以及存储控制器可以在单个芯片中实现,此外,也可分别由独立的芯片实现。
输入输出单元用于提供给用户输入数据实现用户与处理终端的交互。输入输出单元可以但不限于为鼠标和键盘等。
值得说明的是,本申请的电子设备还可包括较上述公开内容更多或者更少的组件,或者具有与上述内容不同的配置。上述各组件可以采用硬件、软件或其组合实现。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
根据催化裂化动力学模型,将催化裂化反应的原料和产品划分为8个集总:原料饱和分(Rs)集总、原料芳香分(Ra)集总、原料胶质和沥青质(Rrb)集总、柴油(D)集总、汽油(G)集总、液化气(LPG)集总、干气(Gas)集总和焦炭(Ck)集总。
根据如表1所示试验数据,采用本发明提出的改进粒子群算法对动力学模型进行参数估值,求得动力学参数值如表2所示。
表1产品分布及操作条件
表2动力学参数值
根据检验公式,使用决定性指标ρj 2对模型参数准确性进行统计检验,决定性指标如表3所示。
表3统计结果表
上述ρj 2均大于0.9,表明上述模型是可靠的。
以本申请提供的参数估值方法进行参数估值,试验结果和模型计算值的对比如图3所示。图中分别为原料油饱和分、原料油芳香分、原料油胶质+沥青质、柴油、汽油、LPG、干气和焦炭等8组分的试验结果与模型计算值的对比。X轴表示试验结果,Y轴表示计算值。
从图3可以看出,所有点都分布在对角线周围,说明模型的适应度较好,模拟结果较为理想。
计算得到试验值与预测值的平均相对误差见表4。
表4试验值与预测值的平均相对误差
对比例1
按照实施例1所述的条件,区别在于采用常规粒子群算法对催化裂化动力学模型进行参数估值,计算得到的试验值与预测值的平均相对误差见表4。
对比例2
按照实施例1所述的条件,区别在于采用遗传算法对催化裂化动力学模型进行参数估值,计算得到的试验值与预测值的平均相对误差见表4。
通过上述实施例和对比例证明了本申请提出的改进粒子群算法对于高维复杂函数的寻优能力较强,能较好地解决其它优化算法应用于高维复杂函数寻优精度较低的问题。
综上所述,本申请通过提出改进粒子群算法,使用分工明确的两个粒子群,子粒子群总是集中在一个较小的区域中,以利于快速找到局部最优点并加快算法的收敛速度,同时主粒子群分散在整个搜索区间中,保证了粒子的差异性。相对于传统的算法,该算法不仅可以应用于大搜索区间和高维的最优化问题,而且由于初始化粒子群过程中不用更新子粒子群的历史最优点,使其具有更快的搜索速度。将该改进粒子群算法用于高维复杂函数催化裂化动力学模型的参数估值,寻优能力较强,能较好地解决其它优化算法应用于高维复杂函数寻优精度较低的问题。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于催化裂化动力学模型的参数估值方法,其特征在于,包括以下步骤:
采用粒子群算法对催化裂化动力学模型进行求解,直至适应度达到终止条件;
所述粒子群算法中的粒子群包括用于集中于搜索区间的部分区域的子粒子群和用于分散于整个搜索区间的主粒子群;
所述适应度的终止条件为求得的解为最优解或无法继续求解;
其中,所述催化裂化动力学模型的基本方程为:
2.根据权利要求1所述的参数估值方法,其特征在于,求解过程中,先初始化所述催化裂化动力学模型中的参数,并将所述参数设置成子粒子群和主粒子群,随后将各参数代入所述催化裂化动力学模型中进行迭代求解,直至适应度达到终止条件。
3.根据权利要求2所述的参数估值方法,其特征在于,初始化包括:
随机生成所述子粒子群的位置坐标Xs=(x1 s,x2 s,…,xn s)和速度VS=(v1 s,v2 s,…,vn s)以及所述主粒子群的位置坐标XM=(x1 M,x2 M,…,xn M)和速度VM=(v1 M,v2 M,…,vn M);
计算子群和主群各粒子的适应度;
将每个主群粒子的位置坐标作为历史最优位置pbestM=(pbest1 M,pbest2 M,…,pbestn M),计算出两个粒子群的最优位置gbest=(gbest1,gbest2,…,gbestn)并计算出子群的最优位置gbests=(gbest1 s,gbest2 s,…,gbestn s)。
4.根据权利要求3所述的参数估值方法,其特征在于,迭代求解包括更新子粒子群和主粒子群,直至更新至全局最优位置;
其中,更新子粒子群包括:
更新子群的最优位置gbests;
其中,t代表目前的迭代次数,c1 s和c2 s为学习因子,c1 s=c2 s=2.0,r1和r2为介于[0,1]之间的随机数,xk=(xk1,xk2,…,xkD,)随机选自xi的临域;
更新主粒子群包括:
更新主群每个粒子的最优位置pbestM;
其中,c1 M、c2 M和c3 M为学习因子,c1 M=c2 M=c3 M=2.0,r1、r2和r3为介于[0,1]之间的随机数,wM为惯性因子,wM=1.0。
5.根据权利要求1-4任一项所述的参数估值方法,其特征在于,所述催化裂化动力学模型中的集总由催化裂化反应的原料和产品共同划分而得,所述集总包括原料饱和分集总、原料芳香分集总、原料胶质和沥青质集总、柴油集总、汽油集总、液化气集总、干气集总和焦炭集总。
8.一种催化裂化动力学模型的参数估值装置,其特征在于,所述参数估值装置包括采用如权利要求1-7任一项所述的参数估值方法进行参数估值的参数估值模块。
9.一种电子设备,其特征在于,包括处理器及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-7任一项所述的参数估值方法中的步骤。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-7任一项所述的参数估值方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010756805.4A CN111863143A (zh) | 2020-07-31 | 2020-07-31 | 一种用于催化裂化动力学模型的参数估值方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010756805.4A CN111863143A (zh) | 2020-07-31 | 2020-07-31 | 一种用于催化裂化动力学模型的参数估值方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111863143A true CN111863143A (zh) | 2020-10-30 |
Family
ID=72952572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010756805.4A Pending CN111863143A (zh) | 2020-07-31 | 2020-07-31 | 一种用于催化裂化动力学模型的参数估值方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111863143A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113130012A (zh) * | 2021-05-07 | 2021-07-16 | 中国石油化工股份有限公司 | 一种提高反应模型外推性的方法 |
CN113517033A (zh) * | 2021-03-23 | 2021-10-19 | 河南大学 | 小样本环境下基于XGBoost的化学反应产率智能预测与分析方法 |
TWI829479B (zh) * | 2021-12-23 | 2024-01-11 | 日商千代田化工建設股份有限公司 | 資訊處理程式、資訊處理裝置、及資訊處理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108897982A (zh) * | 2018-07-17 | 2018-11-27 | 中石化(洛阳)科技有限公司 | 催化裂化动力学模型建立方法及装置 |
CN110648729A (zh) * | 2019-10-29 | 2020-01-03 | 中国石油化工股份有限公司 | 一种催化裂化模型建立方法与装置 |
-
2020
- 2020-07-31 CN CN202010756805.4A patent/CN111863143A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108897982A (zh) * | 2018-07-17 | 2018-11-27 | 中石化(洛阳)科技有限公司 | 催化裂化动力学模型建立方法及装置 |
CN110648729A (zh) * | 2019-10-29 | 2020-01-03 | 中国石油化工股份有限公司 | 一种催化裂化模型建立方法与装置 |
Non-Patent Citations (2)
Title |
---|
SHIYUAN SUN,等: "A two-swarm cooperative particle swarms optimization", SWARM AND EVOLUTIONARY COMPUTATION, vol. 15, 15 October 2013 (2013-10-15), pages 1 - 18 * |
孙世源,等: "重油催化裂化14集总动力学模型研究", 河南化工, vol. 34, 15 July 2017 (2017-07-15), pages 29 - 34 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113517033A (zh) * | 2021-03-23 | 2021-10-19 | 河南大学 | 小样本环境下基于XGBoost的化学反应产率智能预测与分析方法 |
CN113517033B (zh) * | 2021-03-23 | 2022-08-12 | 河南大学 | 小样本环境下基于XGBoost的化学反应产率智能预测与分析方法 |
CN113130012A (zh) * | 2021-05-07 | 2021-07-16 | 中国石油化工股份有限公司 | 一种提高反应模型外推性的方法 |
CN113130012B (zh) * | 2021-05-07 | 2024-01-26 | 中国石油化工股份有限公司 | 一种提高反应模型外推性的方法 |
TWI829479B (zh) * | 2021-12-23 | 2024-01-11 | 日商千代田化工建設股份有限公司 | 資訊處理程式、資訊處理裝置、及資訊處理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111863143A (zh) | 一种用于催化裂化动力学模型的参数估值方法及装置 | |
Quinn et al. | Benchmarking differential expression analysis tools for RNA-Seq: normalization-based vs. log-ratio transformation-based methods | |
Eisenhaber et al. | Prediction of secondary structural content of proteins from their amino acid composition alone. I. New analytic vector decomposition methods | |
Schmitz et al. | Approximate high mode coupling potentials using Gaussian process regression and adaptive density guided sampling | |
Boussaidi et al. | Random sampling high dimensional model representation Gaussian process regression (RS-HDMR-GPR) for multivariate function representation: application to molecular potential energy surfaces | |
CN108897982A (zh) | 催化裂化动力学模型建立方法及装置 | |
Vignola et al. | A machine learning approach to graph-theoretical cluster expansions of the energy of adsorbate layers | |
Brown et al. | Quality of protein crystal structures | |
Abbasi et al. | A review on modeling and control of olefin polymerization in fluidized-bed reactors | |
CN111899798B (zh) | 一种原油数据管理方法、系统、装置及存储介质 | |
Van Etten et al. | Enumerating active sites on metal nanoparticles: understanding the size dependence of cobalt particles for CO dissociation | |
CN110648729B (zh) | 一种催化裂化模型建立方法与装置 | |
Zainullin et al. | Multi-criterion optimization of a catalytic reforming reactor unit using a genetic algorithm | |
Chen et al. | Adaptive modeling strategy integrating feature selection and random forest for fluid catalytic cracking processes | |
Sharma et al. | 110th anniversary: an effective methodology for kinetic parameter estimation for modeling commercial polyolefin processes from plant data using efficient simulation software tools | |
Marchand et al. | A variable neighbourhood descent heuristic for conformational search using a quantum annealer | |
Yeh et al. | Low-scaling algorithm for the random phase approximation using tensor hypercontraction with k-point sampling | |
Yan et al. | Revisiting two-tower models for unbiased learning to rank | |
Herath et al. | Reduced linear noise approximation for biochemical reaction networks with time-scale separation: The stochastic tQSSA+ | |
Vandervelden et al. | Importance learning estimator for the site-averaged turnover frequency of a disordered solid catalyst | |
Terayama et al. | evERdock BAI: Machine-learning-guided selection of protein-protein complex structure | |
Assaf et al. | Introducing a force-matched united atom force field to explore larger spatiotemporal domains in molecular dynamics simulations of bitumen | |
Tsai et al. | An evolutionary approach for gene expression patterns | |
Flynn et al. | Sampling general distributions with quasi-regular grids: Application to the vibrational spectra calculations | |
Wappett et al. | Exploring CPS-extrapolated DLPNO–CCSD (T1) reference values for benchmarking DFT methods on enzymatically catalyzed reactions |
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 |