CN113723015A - 一种基于机理模型与大数据技术的催化裂化装置优化方法 - Google Patents

一种基于机理模型与大数据技术的催化裂化装置优化方法 Download PDF

Info

Publication number
CN113723015A
CN113723015A CN202111084483.4A CN202111084483A CN113723015A CN 113723015 A CN113723015 A CN 113723015A CN 202111084483 A CN202111084483 A CN 202111084483A CN 113723015 A CN113723015 A CN 113723015A
Authority
CN
China
Prior art keywords
clustering
mechanism model
model
big data
catalytic cracking
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
Application number
CN202111084483.4A
Other languages
English (en)
Inventor
元梦琪
何恺源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Xinfu Technology Co Ltd
Original Assignee
Guangdong Xinfu Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Xinfu Technology Co Ltd filed Critical Guangdong Xinfu Technology Co Ltd
Priority to CN202111084483.4A priority Critical patent/CN113723015A/zh
Publication of CN113723015A publication Critical patent/CN113723015A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Feedback Control In General (AREA)
  • Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)

Abstract

本发明涉及一种基于机理模型与大数据技术的催化裂化装置优化方法，本发明不仅可以快速给出优化的操作方案，还能够保证优化结果逼近理论上的最优值，可用于在线优化；本发明建立具有记忆的神经网络算法，可实现当前工况的收率的实时预测。另外，本发明通过机理模型，建立完整描述装置在不同进料、不同操作工况下的运行状态，形成装置数据库；基于层次聚类算法，对当前工况数据依次进行进料信息、催化剂信息、重点操作参数信息的聚类分析，输出聚类结果；根据实时预测的收率，结合聚类分析结果，筛选出待优化变量的上下限；根据不同的优化目标，进行聚类范围内的全局优化，大幅度地减少了计算成本，并能给出逼近理论上的最优值。

Description

一种基于机理模型与大数据技术的催化裂化装置优化方法
技术领域
本发明涉及石油炼制及石油化工生产技术领域，尤其涉及一种基于机理模型与大数据技术的催化裂化装置优化方法。
背景技术
石油化工行业作为我国的支柱产业之一，也在不断向智能制造的方向推进。催化裂化作为炼厂的主体装置，是重质油轻质化的重要手段。催化裂化的生产工艺复杂、原料多变，单纯的依靠炼厂操作员的经验进行手动调优存在较大困难。如何建立一种计算精度高、响应速度快、适用性强的工艺优化方法是提高当前催化裂化装置生产效益的关键。建立一个能精确、定量描述催化裂化装置的收率和产品关键性质的机理模型是建立催化裂化装置工艺优化模型的前提和关键。目前，对于类似的复杂反应体系，一般采用集总的方法进行动力学分析，通过将各类单一化合物按照动力学特性相似的原则，归并为一个虚拟组分，进而将整个原料分为若干个虚拟组分，依据各虚拟组分间的反应构建反应网络。但集总毕竟是虚拟组分，与实际的组分存在差异，无法反映集总内部的组成变化，对于原料的变化以及集总内部的反应转化都无法准确描述，集总的分子组成细节太少，无法预测很多产物性质。
分子级机理模型比集总模型更加复杂，计算精度更高，能反映的信息更加详细，对原料的适应范围更广，对分析仪器的配置要求也更高，是炼厂装置模型的发展趋势。分子机理模型计算精度高，但是计算复杂，消耗的计算资源多，计算用时很长，直接用于现场的实时优化与指导将十分不便。
基于历史案例库的匹配调优方法，可快速给出优化的操作方案，但是由于给出的操作方案是基于历史生产工况的，只能给出由当前案例匹配出的历史案例的操作参数和状态参数，无法给出最优结果，所以也存在缺陷。
现有方法的不足，主要包括如下几个方面：(1)基于集总的机理模型的工艺优化，无法反映集总内部的组成变化，对于原料的变化以及集总内部的反应转化无法准确描述，无法预测很多产物性质，因此优化的应用局限很大，无法用于现场的实时优化。(2)基于分子级机理模型的工艺优化，模型复杂度高，对计算的要求高，无法用于现场的实时优化。(3)基于大数据模型的工艺优化，由于大数据模型的变量因果关联性、因果响应的时间延迟等方面考虑不足，以及数据预处理的质量，严重影响优化结果的可信性。(4)基于历史案例库的匹配调优方法，虽然可快速给出优化的操作方案，但无法给出历史中未发生的最优工况。
发明内容
本发明为克服上述的不足之处，目的在于提供一种基于机理模型与大数据技术的催化裂化装置优化方法，本发明不仅可以快速给出优化的操作方案，还能够保证优化结果逼近理论上的最优值，可用于在线优化；本发明建立具有记忆的神经网络算法，可实现当前工况的收率的实时预测。另外，本发明通过机理模型，建立完整描述装置在不同进料、不同操作工况下的运行状态，形成装置数据库；基于层次聚类算法，对当前工况数据依次进行进料信息、催化剂信息、重点操作参数信息的聚类分析，输出聚类结果；根据实时预测的收率，结合聚类分析结果，筛选出待优化变量的上下限；根据不同的优化目标，进行聚类范围内的全局优化，大幅度地减少了计算成本，并能给出逼近理论上的最优值。
本发明是通过以下技术方案达到上述目的：一种基于机理模型与大数据技术的催化裂化装置优化方法，包括如下步骤：
(1)采集装置的DCS、LIMS数据，经过异常值处理、平滑降噪、稳态分析、时间尺度归一操作，形成装置的运行数据库；
(2)构建装置机理模型，并运用该装置机理模型进行批量计算，模拟不同原料、不同进料流量以及不同操作条件下的产物收率和产物性质，建立装置的机理数据库；
(3)基于大数据技术建立具有短期记忆的产物收率实时预测模型；
(4)基于当前的工况，利用产物收率实时预测模型得到预测的产物实时收率；
(5)对装置的机理数据库提取该数据库中的进料特征信息、催化剂特征信息以及工况特征信息，利用聚类算法对当前的工况信息进行聚类分析，结合步骤(4)得到产物实时收率筛选出优于当前工况收率的工况，得到待优化操作变量的上下限；
(6)根据设定的优化目标和步骤(5)中得到的上下限，运行全局优化算法得到优化的操作参数和状态参数。
作为优选，所述装置的运行数据库，包括以下信息：
(i)进料信息，包括进料的种类、组成、密度、粘度、硫含量、金属含量、残炭含量、馏程温度、四组分组成性质的一种或多种；
(ii)催化剂信息，包括催化剂的种类、含碳量性质的一种或多种；
(iii)装置操作参数信息。
作为优选，所述步骤(2)中的装置机理模型为传统的集总模型或分子级机理模型中的任意一种；
所述步骤(2)中的批量计算，具体步骤如下：
(I)设定装置机理模型每个输入的上下限；
(II)根据上下限设置合适的步长，得到不同的模型输入组合；
(III)将每个模型输入组合输入到装置机理模型中，得到预测结果；
(IV)将模型的输入和输出组合为一条数据，保存在机理数据库中。
作为优选，所述步骤(3)具体步骤如下：
(A)对步骤(1)中的运行数据库中的数据进行关联性分析，筛选出关键变量，作为产物收率实时预测模型的输入，产物收率作为输出；
(B)基于大数据技术和机器学习算法建立产物收率实时预测模型。
作为优选，所述的基于大数据技术和机器学习算法具体为具有短期记忆的神经网络算法，作为优选，选用长短时记忆神经网络或门控循环单元网络算法中的任意一种；其中，门控循环单元网络是一种基于门控的循环神经网络，其引入了更新门和重置门的概念，更新门用来控制当前状态需要从历史状态中保留多少信息，以及需要从候选状态中接受多少新信息；重置门用来控制候选状态的计算是否依赖于上一时刻的状态；
更新门的计算公式为：
zt＝σ(Wzxt+Uzht-1+bz)，zt∈[01]
其中，Wz，Uz，bz为可学习的网络参数；σ为Logistic函数，也称为Sigmoid函数，将变量映射到[0，1]区间，计算公式为：
Figure BDA0003264977820000051
重置门的计算公式为：
rt＝σ(Wrxt+Urht-1+br)，rt∈[0，1]
其中，Wr，Ur，br为可学习的网络参数；ht-1为上一时刻的状态；候选状态
Figure BDA0003264977820000052
的计算公式为：
Figure BDA0003264977820000053
其中，tanh为双曲正切函数，将变量映射到[-1，1]之间；Wh，Uh，bh为可学习的网络参数；
GRU网络的状态更新方式为：
Figure BDA0003264977820000054
其中，ht为当前状态；ht-1为上一时刻状态；
Figure BDA0003264977820000055
为当前时刻的候选状态。
作为优选，所述步骤(5)中的具体步骤为：
(a)从数据仓库中分别提取出进料组成、流量两组特征数据，将进料聚类成M类；
(b)在每一类下根据进料的性质特征数据聚类为N个类别；
(c)在每一类下根据重点的操作变量特征，聚类为P个类别，建立工况的嵌套聚类树；
(d)将当前工况的进料信息和操作参数输入到聚类算法中，得到与当前工况的进料信息和操作参数相似的工况；
(e)筛选出优于实时预测收率的工况，提取这些工况的操作变量的上下限。
作为优选，所述的聚类算法采用k-means聚类法、模糊c均值聚类法、密度聚类法、层次聚类法中的任意一种或多种。
作为优选，所述步骤(5)还包括对聚类效果的评价，其中评价聚类效果的方法有外部评价方法和内部评价方法两种；其中，外部评价方法采用Jaccard系数、FM指数或Rand指数中的任意一种或多种；内部评价方法采用DB指数或者Dunn指数中的任意一种或多种。
作为优选，所述进料的性质特征包括密度、馏程温度、残炭、硫含量、四组分性质的一种或多种；重点的操作变量特征包括催化剂温度、原料预热温度、主(副)提升管进料流量中的一种或多种。
作为优选，所述步骤(6)中的全局优化算法选用粒子群法、模拟退火法、遗传算法中的任意一种或多种。
本发明的有益效果在于：(1)本发明方法不仅可以快速给出优化的操作方案，还能够保证优化结果逼近理论上的最优值，可用于在线优化；(2)本发明通过机理模型，建立完整描述装置在不同进料、不同操作工况下的运行状态，形成装置数据库；(3)本发明可以对当前工况数据依次进行进料信息、催化剂信息、重点操作参数信息的聚类分析，输出聚类结果；(4)本发明可实现当前工况的收率的实时预测，根据实时预测的收率，结合聚类分析结果，筛选出待优化变量的上下限；根据不同的优化目标，进行聚类范围内的全局优化，大幅度地减少了计算成本，并能给出逼近理论上的最优值；(5)本发明可实现装置的在线优化，减少人力成本，提高装置的整体经济效益。
附图说明
图1是本发明的流程示意图；
图2是本发明的门控循环单元网络结构示意图；
图3是本发明的基于层次聚类算法的嵌套聚类树示意图；
图4是本发明实施案例中的优化案列结果示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
实施例：下面通过某炼化企业中催化裂化装置模拟的具体实施方式，对本发明作进一步详细描述。如图1所示，一种基于机理模型与大数据技术的催化裂化装置优化方法，包括如下步骤：
(1)采集装置的DCS、LIMS数据，经过异常值处理、平滑降噪、稳态分析、时间尺度归一等操作，形成装置的运行数据库。运行数据库中包括的信息有：①进料信息，包括进料的种类、组成、密度、粘度、硫含量、金属含量、残炭含量、馏程温度、四组分组成等性质的一种或多种；②催化剂信息，包括催化剂的种类，含碳量等性质的一种或多种；③装置操作参数信息。
(2)基于集总模型，构建装置机理模型，包括提升管反应器模型、分馏模型、动力学参数校正模型等。运用建立的装置机理模型，进行批量计算，模拟不同原料、不同进料流量以及不同操作条件下的产物收率和产物性质，建立装置的机理数据库。具体的步骤如下：
①设定装置机理模型每个输入的上下限；
②根据上下限，设置合适的步长，得到不同的模型输入组合；
③将每个模型输入组合，输入到装置机理模型中，得到预测结果；
④将模型的输入和输出组合为一条数据，保存在机理数据库中。
(3)对步骤(1)中的运行数据库中的数据进行关联性分析，筛选出关键变量，作为产物收率实时预测模型的输入，产物收率作为输出，建立大数据产物收率预测模型。由于催化裂化装置具有非线性时序强相关性，为了更好地处理时序数据并利用其历史信息，同时提高模型的预测精度，这里优选具有短期记忆的神经网络算法，同时为了避免训练过程中梯度爆炸或消失，可选门控循环单元网络算法，具体如图2所示。
(4)对当前的工况运用上述步骤(3)中的产物收率实时预测模型，得到预测的产物实时收率。
(5)针对装置的机理数据库，提取该数据库中的进料特征信息、催化剂特征信息以及工况特征信息，建立层次聚类算法，如图3所示；对当前的工况信息进行聚类分析，结合步骤(4)得到产物实时收率，筛选出优于当前工况收率的工况，得到待优化操作变量的上下限。具体的操作步骤如下：
首先，从数据仓库中分别提取出进料组成、流量两组特征数据，将进料聚类成M类，M可选5-15；然后在每一类下根据进料的性质特征数据聚类为N个类别N可选5-15；然后在每一类下根据重点的操作变量特征，聚类为P个类别,P可选5-15，建立工况的嵌套聚类树。将当前工况的进料信息和操作参数输入到所见的聚类算法中，得到与当前工况的进料信息和操作参数相似的工况。筛选出优于实时预测收率的工况，提取这些工况的操作变量的上下限。
聚类方法可采用k-means聚类法、模糊c均值聚类法、密度聚类法、层次聚类法中的一种或多种。
评价聚类效果的方法有外部评价方法和内部评价方法两种。其中，外部评价方法可以用Jaccard系数、FM指数或Rand指数的一种或多种。内部评价方法可以使用DB指数或者Dunn指数的一种或多种。
进料的性质特征包括密度、馏程温度、残炭、硫含量、四组分等性质的一种或多种。
重点的操作变量特征包括催化剂温度、原料预热温度、主(副)提升管进料流量中的一种或多种。
(6)根据设定的优化目标和步骤(5)中得到的上下限，运行粒子群全局优化算法，给出优化的操作参数和状态参数。
将本发明方法用于某炼化企业，可得到如图4所示的优化结果，优化时间为35秒，优化频次可达到分钟级别。
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (10)

1.一种基于机理模型与大数据技术的催化裂化装置优化方法，其特征在于，包括如下步骤：
(1)采集装置的DCS、LIMS数据，经过异常值处理、平滑降噪、稳态分析、时间尺度归一操作，形成装置的运行数据库；
(2)构建装置机理模型，并运用该装置机理模型进行批量计算，模拟不同原料、不同进料流量以及不同操作条件下的产物收率，建立装置的机理数据库；
(3)基于大数据技术建立具有短期记忆的产物收率实时预测模型；
(4)基于当前的工况，利用产物收率实时预测模型得到预测的产物实时收率；
(5)对装置的机理数据库提取该数据库中的进料特征信息、催化剂特征信息以及工况特征信息，利用聚类算法对当前的工况信息进行聚类分析，结合步骤(4)得到产物实时收率筛选出优于当前工况收率的工况，得到待优化操作变量的上下限；
(6)根据设定的优化目标和步骤(5)中得到的上下限，运行全局优化算法得到优化的操作参数和状态参数。
2.根据权利要求1所述的一种基于机理模型与大数据技术的催化裂化装置优化方法，其特征在于：所述装置的运行数据库，包括以下信息：
(i)进料信息，包括进料的种类、组成、密度、粘度、硫含量、金属含量、残炭含量、馏程温度、四组分组成性质的一种或多种；
(ii)催化剂信息，包括催化剂的种类、含碳量性质的一种或多种；
(iii)装置操作参数信息。
3.根据权利要求1所述的一种基于机理模型与大数据技术的催化裂化装置优化方法，其特征在于：所述步骤(2)中的装置机理模型为传统的集总模型或分子级机理模型中的任意一种；
所述步骤(2)中的批量计算，具体步骤如下：
(I)设定装置机理模型每个输入的上下限；
(II)根据上下限设置合适的步长，得到不同的模型输入组合；
(III)将每个模型输入组合输入到装置机理模型中，得到预测结果；
(IV)将模型的输入和输出组合为一条数据，保存在机理数据库中。
4.根据权利要求1所述的一种基于机理模型与大数据技术的催化裂化装置优化方法，其特征在于：所述步骤(3)具体步骤如下：
(A)对步骤(1)中的运行数据库中的数据进行关联性分析，筛选出关键变量，作为产物收率实时预测模型的输入，产物收率作为输出；
(B)基于大数据技术和机器学习算法建立产物收率实时预测模型。
5.根据权利要求4所述的一种基于机理模型与大数据技术的催化裂化装置优化方法，其特征在于：所述的基于大数据技术和机器学习算法具体为具有短期记忆的神经网络算法，作为优选，选用长短时记忆神经网络或门控循环单元网络算法中的任意一种；其中，门控循环单元网络是一种基于门控的循环神经网络，其引入了更新门和重置门的概念，更新门用来控制当前状态需要从历史状态中保留多少信息，以及需要从候选状态中接受多少新信息；重置门用来控制候选状态的计算是否依赖于上一时刻的状态；
更新门的计算公式为：
zt＝σ(Wzxt+Uzht-1+bz)，zt∈[0，1]
其中，Wz，Uz，bz为可学习的网络参数；σ为Logistic函数，也称为Sigmoid函数，将变量映射到[0，1]区间，计算公式为：
Figure FDA0003264977810000031
重置门的计算公式为：
rt＝σ(Wrxt+Urht-1+br)，rt∈[0，1]
其中，Wr，Ur，br为可学习的网络参数；ht-1为上一时刻的状态；
候选状态
Figure FDA0003264977810000032
的计算公式为：
Figure FDA0003264977810000033
其中，tanh为双曲正切函数，将变量映射到[-1，1]之间；Wh，Uh，bh为可学习的网络参数；
GRU网络的状态更新方式为：
Figure FDA0003264977810000034
其中，ht为当前状态；ht-1为上一时刻状态；
Figure FDA0003264977810000035
为当前时刻的候选状态。
6.根据权利要求1所述的一种基于机理模型与大数据技术的催化裂化装置优化方法，其特征在于，所述步骤(5)中的具体步骤为：
(a)从数据仓库中分别提取出进料组成、流量两组特征数据，将进料聚类成M类；
(b)在每一类下根据进料的性质特征数据聚类为N个类别；
(c)在每一类下根据重点的操作变量特征，聚类为P个类别，建立工况的嵌套聚类树；
(d)将当前工况的进料信息和操作参数输入到聚类算法中，得到与当前工况的进料信息和操作参数相似的工况；
(e)筛选出优于实时预测收率的工况，提取这些工况的操作变量的上下限。
7.根据权利要求6所述的一种基于机理模型与大数据技术的催化裂化装置优化方法，其特征在于，所述的聚类算法采用k-means聚类法、模糊c均值聚类法、密度聚类法、层次聚类法中的任意一种或多种。
8.根据权利要求6所述的一种基于机理模型与大数据技术的催化裂化装置优化方法，其特征在于：所述步骤(5)还包括对聚类效果的评价，其中评价聚类效果的方法有外部评价方法和内部评价方法两种；其中，外部评价方法采用Jaccard系数、FM指数或Rand指数中的任意一种或多种；内部评价方法采用DB指数或者Dunn指数中的任意一种或多种。
9.根据权利要求6所述的一种基于机理模型与大数据技术的催化裂化装置优化方法，其特征在于：所述进料的性质特征包括密度、馏程温度、残炭、硫含量、四组分性质的一种或多种；重点的操作变量特征包括催化剂温度、原料预热温度、主(副)提升管进料流量中的一种或多种。
10.根据权利要求1所述的一种基于机理模型与大数据技术的催化裂化装置优化方法，其特征在于：所述步骤(6)中的全局优化算法选用粒子群法、模拟退火法、遗传算法中的任意一种或多种。
CN202111084483.4A 2021-09-16 2021-09-16 一种基于机理模型与大数据技术的催化裂化装置优化方法 Pending CN113723015A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111084483.4A CN113723015A (zh) 2021-09-16 2021-09-16 一种基于机理模型与大数据技术的催化裂化装置优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111084483.4A CN113723015A (zh) 2021-09-16 2021-09-16 一种基于机理模型与大数据技术的催化裂化装置优化方法

Publications (1)

Publication Number Publication Date
CN113723015A true CN113723015A (zh) 2021-11-30

Family

ID=78684009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111084483.4A Pending CN113723015A (zh) 2021-09-16 2021-09-16 一种基于机理模型与大数据技术的催化裂化装置优化方法

Country Status (1)

Country Link
CN (1) CN113723015A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115268277A (zh) * 2022-09-29 2022-11-01 广东辛孚科技有限公司 一种催化裂化动力学参数自动更新校正方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104789256A (zh) * 2015-03-26 2015-07-22 华东理工大学 一种催化裂化装置的收率实时预测方法
CN108345219A (zh) * 2018-03-01 2018-07-31 东华大学 基于类脑记忆gru的聚酰胺纤维生产工艺
CN109814513A (zh) * 2019-03-20 2019-05-28 杭州辛孚能源科技有限公司 一种基于数据模型的催化裂化装置优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104789256A (zh) * 2015-03-26 2015-07-22 华东理工大学 一种催化裂化装置的收率实时预测方法
CN108345219A (zh) * 2018-03-01 2018-07-31 东华大学 基于类脑记忆gru的聚酰胺纤维生产工艺
CN109814513A (zh) * 2019-03-20 2019-05-28 杭州辛孚能源科技有限公司 一种基于数据模型的催化裂化装置优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨帆等: "智能优化算法及人工神经网络在催化裂化模型分析中的应用进展", 《石油学报（石油加工）》, no. 04, pages 879 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115268277A (zh) * 2022-09-29 2022-11-01 广东辛孚科技有限公司 一种催化裂化动力学参数自动更新校正方法及装置

Similar Documents

Publication Publication Date Title
CN109814513B (zh) 一种基于数据模型的催化裂化装置优化方法
WO2023040512A1 (zh) 一种基于分子级机理模型与大数据技术的催化裂化装置模拟预测方法
CN101620414B (zh) 工业乙烯裂解炉裂解深度在线优化方法
WO2021036546A1 (zh) 基于有偏估计的近红外定量分析模型构建方法
Wang et al. A two‐layer ensemble learning framework for data‐driven soft sensor of the diesel attributes in an industrial hydrocracking process
CN113420500B (zh) 智能常减压系统
CN112668234A (zh) 一种转炉炼钢终点智能控制方法
CN114239400A (zh) 基于局部双加权概率隐变量回归模型的多工况过程自适应软测量建模方法
CN116502455A (zh) 一种激光选区熔化技术的工艺参数确定方法及系统
CN108446358B (zh) 基于miv与关联规则的优化方法及石化设备的数据建模方法
CN111507365A (zh) 一种基于模糊聚类的置信规则自动生成方法
CN113723015A (zh) 一种基于机理模型与大数据技术的催化裂化装置优化方法
CN117235595A (zh) 一种基于LSTM-Attention的污水处理加药量预测方法及系统
Li et al. The method of reagent control based on time series distribution of bubble size in a gold‐antimony flotation process
CN116303626B (zh) 一种基于特征优化和在线学习的固井泵压预测方法
CN109101683B (zh) 燃煤分质利用与清洁预处理系统热解釜的模型更新方法
CN110619176A (zh) 一种基于dbn-rlssvm的航煤闪点预测方法
CN115525697A (zh) 一种基于中药生产数据挖掘的工艺优化方法
CN113468821B (zh) 一种基于决策回归算法的坡面产流产沙阈值确定方法
CN108827905A (zh) 一种基于局部加权Lasso的近红外模型在线更新方法
CN114139813A (zh) 一种基于自更新模型的流程型生产设备产品质量预测方法
Li et al. Long short-term memory based on random forest-recursive feature eliminated for hot metal silcion content prediction of blast furnace
CN112183642A (zh) 一种基于随机森林模型的水泥烧成煤耗检测方法与系统
CN117272074A (zh) 渣油加氢装置的优化方法、装置、电子设备与存储介质
CN118838264A (zh) 一种基于模糊决策树与状态转移算法在冰铜生产过程中关键控制变量的决策方法

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