CN113724800A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113724800A CN113724800A CN202111084499.5A CN202111084499A CN113724800A CN 113724800 A CN113724800 A CN 113724800A CN 202111084499 A CN202111084499 A CN 202111084499A CN 113724800 A CN113724800 A CN 113724800A
- Authority
- CN
- China
- Prior art keywords
- model
- molecular
- catalytic cracking
- data
- analysis
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N3/02—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
-
- 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
- G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及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,本发明能够对催化裂化过程的产物收率和产品性质进行预测;本发明建立催化裂化过程的分子级机理模型,该分子级机理模型不仅可以提高预测精度,还可以适用于不同的装置,具有良好的外延性;另外,基于大数据技术对由实际装置运行状态造成机理模型预测偏差进行校正,不仅抓住催化裂化反应的本质,还能反映不同催化装置的特点,精准地预测产物收率以及关键产品性质,可实现工业级装置的准确过程模拟。
Description
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。
背景技术
催化裂化是一项重要的炼油工艺,其总加工能力已列各种石油加工工艺的前茅,其技术复杂程度也位居各类炼油工艺首位,因而催化裂化在炼油工业中占有举足轻重的地位。传统技术对催化裂化工艺的模拟多建立在集总动力学的方法上,集总动力学方法是按照动力学特性将催化裂化中复杂的组分划分为若干个集总组分,在动力学模拟中将每个集总作为虚拟的单一组分来考察。因此,传统的集总动力学模型通常只能预测产物的产量,无法预测产物的性质,并且集总动力学模型无法反映原料组成的改变,因为相同性质的油品的组成之间可能会有很大差异。
随着对成品油质量要求越来越苛刻,迫切需要找到不仅能预测产物产量,还能准确预测产物性质的方法。分子级动力学模型的出现,为解决这个问题提供了可能性。通过解析原料分子组成,建立分子级反应动力学网络,计算反应物和产物分子在反应器内的转化规律,进而精准预测分子组成和产品性质。该方法比传统的集总方法预测更加准确,模型适应能力更加广泛。但是,因为模型复杂、参数多、计算量大,使得分子级机理模型在工业界还未有广泛应用。
现有方法的不足,主要包括如下几个方面:(1)传统的集总模型预测精度、外延性不好,且缺少对装置实际运行情况的把控,难以避免预测结果与实际数据的偏差。(2)催化裂化过程复杂,影响变量多,完整的分子级机理模型构建难度大,难以适用于不同的装置,实际应用性差,也缺少对装置实际运行情况的把控。(3)独立的大数据模型,由于不考虑反应的本质,数据之间的因果关系不对应,模型的外延性差。并且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,数据预处理的质量,严重影响模型准确度。
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,本发明能够对催化裂化过程的产物收率和产品性质进行预测;本发明建立催化裂化过程的分子级机理模型,该分子级机理模型不仅可以提高预测精度,还可以适用于不同的装置,具有良好的外延性;另外,基于大数据技术对由实际装置运行状态造成机理模型预测偏差进行校正,不仅抓住催化裂化反应的本质,还能反映不同催化装置的特点,精准地预测产物收率以及关键产品性质,可实现工业级装置的准确过程模拟。
本发明是通过以下技术方案达到上述目的: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,包括如下步骤:
(1)建立催化裂化装置模型,其中催化裂化装置模型包括原料分子解析模型、分子级动力学模型、提升管反应器模型、产物切割模型、物性模型;
(2)基于实际工业数据,对步骤(1)所建模型的参数进行校正;
(3)基于步骤(2)处理结果,建立基于机器学习算法的偏差补偿预测模型;其中,偏差补偿预测模型的输入是装置实际运行参数,输出是机理预测值与历史工况实际输出值之间的偏差,通过实际工况的偏差补偿,提升模型的预测精度;
(4)通过步骤(2)与步骤(3)可在生产过程中与催化裂化装置的实时数据建立通讯机制,实时读取装置数据并进行模型校正和偏差补偿预测模型的更新,实现预测模型的自动更新。
作为优选,所述步骤(1)建立的原料分子解析模型的方法具体如下:
(1.1)原料分子库构建:对原料进行实验分析表征,确定原料分子的核心结构,在核心分子结构基础上按照一定策略添加侧链、支链和甲基,得到原料分子库;
(1.2)原料分子浓度解析:分子浓度的初值根据原料组成特征按照概率分布进行设定,然后通过全局优化算法对分布参数和分子浓度进行调整,使最终的分子浓度分布能够满足原料的各项宏观性质,可以根据进料的宏观物性如密度、残炭、硫含量、氮含量、族组成、馏程解析成详细分子组成;通过分子浓度组成构建技术,根据各项可通过实验分析获取的宏观性质对催化裂化原料的分子组成进行反演分析。
作为优选,所述步骤(1)中的分子级动力学模型的方法具体如下:
(1.3)编写反应规则,构建反应网络:根据催化裂化反应的正碳离子机理,对不同的类型的反应分别建立了反应物选择规则和产物生成规则,针对每一类反应各编写一类规则函数,编写了包含裂化、开环、异构、氢转移、缩合五类主要反应的大类反应规则,利用计算机辅助技术对原料分子应用反应规则,自动生成反应网络;其中反应规则的种类优选在10个-50个。
作为优选,所述步骤(1)中的提升管反应器模型的方法具体如下:
(1.4)建立反应器模型,求解模型,计算产物分子浓度分布;所建的反应器模型包括单提升管模型、MIP双提升管模型、DCC的主副提升管并联模型等催化裂化工艺;将反应网络、化学计量学、反应速率方程和动力学参数与上述反应器模型组合,即可得到完整的催化裂化反应器模型。
作为优选,所述步骤(1)中的产物切割模型的方法具体如下:
(1.5)产物切割模型:对从反应器出来的产物油气混合分子,根据各项产品质量要求将混合油气切割分离成干气、液化气、汽油、柴油、油浆、焦炭各流股产品;其中,产物切割模型可采用基于沸点切割的简易切割模型,同时考虑重叠因子的影响;
所述步骤(1)中的物性模型的具体方法如下:
(1.6)物性计算:通过物性计算模型,采用基团贡献法以及经验关联方法,用各项产物的分子浓度计算产物的性质,包括汽油和柴油的各项物性。
作为优选,所述步骤(2)中的参数校正的具体方法为:通过实际工业数据对模型的参数进行校正,完成分子级机理模型;工业数据包括反应器结构尺寸参数、催化剂参数、进出料的性质检测数据(LIMS 数据)、装置操作参数(DCS数据)。
作为优选,所述步骤(3)的具体方法如下:
(3.1)数据采集及整理:读取装置的DCS、LIMS历史生产数据,建立数据库,规范格式并建立索引规则,方便后期查询和调用;
(3.2)数据预处理:从数据库中抽取数据进行处理工作,包括缺失值插值处理、异常值处理、数据平滑降噪、数据归一化处理;
(3.3)变量关联分析:通过相关性算法对各个变量间的相关性进行计算,并结合专家经验分析,选取最相关的变量进行建模;具体的,变量关联分析的方法选择皮尔逊相关性分析、传递熵、格兰杰因果分析中的一种或多种,并结合专家经验分析,从众多变量中挑选关联性强的变量进行建模;
(3.4)稳态分析:通过建立的稳态分析规则对系统进行稳态检测,并析取各个稳态下对应的工况,使用得到的稳态工况建立数据库,方便后续更新和使用;
(3.5)建立偏差补偿预测模型:将历史工况对应的输入变量输入到建立的机理模型中,得到机理模型的预测值,然后计算机理预测值与历史工况实际输出值之间的偏差,通过主成分分析降低输入变量的输入维度,通过机器学习算法建立偏差补偿预测模型,机理模型预测值加偏差补偿得到最终的预测结果。
作为优选,所述步骤(3.2)中的缺失值插值处理方法选择线性插值、三次样条插值、均值插值、拉格朗日插值中的任意一种;异常值识别方法选择3σ准则法、箱线图法、格拉布斯检验法中的任意一种;数据降噪平滑方法选择稳健二次回归方法,消除高频噪音信号,保留低频的数据趋势。
作为优选,所述步骤(3.4)中的稳态分析的方法分为单变量稳态分析和系统稳态分析:
(i)单变量稳态分析:采用小波变换的方法对数据集进行趋势提取,通过将信号分解为高频段的噪声和代表信号趋势的低频段,来对测量数据进行有限连续的逼近,得到过程变量的近似函数f(t),建立了稳态指数β(0≤β≤1)来表示变量工况状态的稳定程度,当β=0 时,过程变量处于非稳态,β=1时,过程变量处于稳态,0<β<1时,表示过程变量处于过渡态,并且β越接近于1,表示过程变量的状态越稳定;稳态指数β(t)由数据趋势的一阶导数f’(t0)和二阶导数 f”(t0)根据以下准则共同决定:
θ(t)=|f′(t)|+γ|f″(t)|
式中:
其中Ts、Tw、Tu为阈值,其确定方法如下:在历史数据库中选择过程处于稳态的一段数据作为参考基准,通过小波变换提取过程变量的变化趋势后,得到过程变量在采样点的一阶导数序列和二阶导数序列,通过分别求其百分位数,则:Ts为一阶导数的百分位数,Tw为二阶导数的百分位数,一般可选90%分位数或95%分位数,其中 Tu=αTs
α为可调参数,一般取[2,5]之间的整数;通过以上公式,可得到过程变量的稳态判断阈值;
(ii)系统稳态分析:采用单变量稳态检测规则得到各个变量的稳态指数βi,整个系统的稳态状况有各变量的稳态指数按下式加权决定:
其中,p为系统的关键特征变量个数,βi(t)为第i个变量的稳态指数,ui为第i个变量的权重。
作为优选,所述步骤(3.5)中的机器学习算法选择前馈神经网络、循环神经网络、支持向量机、最小二乘法、最小二乘支持向量机、极限学习机回归算法中的任意一种。
本发明的有益效果在于:(1)本发明采用了将分子级机理模型和大数据技术结合的形式,分子级机理模型描述了催化裂化过程的本质规律,大数据模型充分利用了生产历史数据,可以反映不同装置的特点以及装置实际的运行状态,可高效处理时间跨度长、数据量庞大的数据集;(2)本发明通过机理模型计算产物的收率和性质,利用大数据模型计算实际结果与机理预测结果的偏差,机理模型加大数据模型计算实际结果与机理预测结果的偏差,实现了对产物收率和产物性质的准确预测,同时在面对未知工况时,模型具有良好的外推性能,可以对未知工况进行探索;(3)本发明采用了基于结构导向集总的分子级机理模型,相比于传统的集总模型,分子级机理模型具有更加准确的预测精度,更加广泛的预测范围。
附图说明
图1是本发明的流程示意图;
图2是本发明的反应网络示意图;
图3是本发明的物性模型可计算的各项物性示意图;
图4是本发明实施案例中的单变量稳态分析结果示意图;
图5是本发明实施案例中的系统稳态分析结果示意图;
图6是本发明的多层神经网络结构示意图;
图7是本发明的双核驱动模型的产物收率预测误差示意图;
图8是本发明的双核驱动模型的产品性质预测误差示意图。
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,包括如下步骤:
(1)构建原料分子库。构成催化裂化原料的分子数目十分巨大,而构成这些分子的同系物核心结构数目则要少得多。在核心结构基础上按照一定的策略添加侧链、支链和甲基,得到一系列分子集,通过物性检索和分子物性计算模型计算各个分子的馏程密度等性质,利用碳数和馏程约束对分子集进行进一步筛选,删除不合理的分子,得到最终的原料分子库,目前构建了包含48个核心2473个分子的原料分子库。
(2)原料分子浓度解析。分子级反应机理模型需要输入分子浓度,通过不同的实验分析方法得到分子组成的某个碎片信息,通过对多个碎片的拼接,间接推断出原料完整的分子信息,分子浓度的初值根据原料组成特征按照一定的概率分布进行设定,然后通过特定的全局优化算法对分布参数和分子浓度进行调整,使最终的分子浓度分布能够满足原料的各项宏观性质。原料分子浓度的准确性对机理模型的计算结果有较大影响,而分子解析算法只是获取分子浓度的一种工具,结果的准确性更多依赖于实验分析数据的准确性和完备性。
(3)编写反应规则构建反应网络。催化裂化反应机理十分复杂,被广泛接受的机理是正碳离子机理,在分子筛催化剂酸性中心作用下,烃类分子捕获质子形成正碳离子,正碳离子发生β断裂生成烯烃和新的正碳离子,正碳离子还会发生异构化反应,由此构成催化裂化系统的主要反应。针对催化裂化化学反应机理,对不同类型的反应依次建立反应规则,反应规则包括反应物选择规则和产物生产规则,针对每一类反应各编写一类规则函数,编写了包含裂化、开环、异构、氢转移、缩合等主要反应的25大类反应规则,然后利用计算机辅助技术对原料分子应用反应规则,自动生成反应网络,生成了了包含 5216个反应的反应网络(反应网络示意图如图2所示)。不同的催化剂上进行的反应类型会有一些变化,因此反应规则也需要根据实验数据做适当的调整。
(4)建立反应器模型。根据拟平推流反应器模型,建立质量平衡方程和热量平衡方程,将反应网络、化学计量学、反应速率方程和动力学参数与上述反应器模型组合,即可得到完整的催化裂化反应器模型,表示为一个庞大的微分方程组,通过求取该微分方程组即可计算反应器内各分子的浓度转化规律。
(5)产物切割分离。根据各产物的典型馏程范围采用基于沸点切割的简易切割模型,同时考虑重叠因子的影响。
(6)物性计算模型。本发明以相关的物性计算模型为基础,采用基团贡献法以及经验关联方法,用各项产物的分子浓度计算产物的性质,计算催化汽油和催化柴油的各项物性,可计算的物性如图3所示。
(7)模型参数校正。采集工厂实际生产数据,包括进料和产品的性质分析数据以及装置的操作参数,以预测值与实际输出值之间的误差平方和最小为目标,以经验值或实验值为初值,启用全局优化算法对模型参数进行优化求解。
(8)数据采集及整理。本例中采集了某炼厂催化裂化装置DCS系统和LIMS检测约一年的完整历史生产数据,其中DCS系统的操作参数和状态参数每10分钟自动记录一次,装置系统进料物料性质检测数据每3天分析一次,装置系统产品出料物料性质每24小时分析一次。对采集到的DCS和LIMS数据进行整理,建立便于后续读取和检索的基础数据库。
(9)数据处理。对收集的DCS操作参数和状态参数以及LIMS的物料检测性质进行描述性统计分析,分析数据的分布规律及统计信息。对数据的缺失值和离群值进行处理,作为优选,选用百分位法对数据集的离群值进行判断。使用插值拟合方法对缺失值和离群值进行填补。使用二次回归函数对数据进行降噪处理,过滤高频噪音信号,得到更加符合数据变化趋势的数据集。
(10)变量关联分析。采集得到542个DCS操作及状态变量,340 项LIMS性质检测变量,为了能够简化输入的变量并尽可能多的保留有效信息,需要筛选出与预测模型最相关的一组变量。根据催化裂化生产装置的实际情况,结合专家的经验和专业知识,配合相应的相关性分析算法,对反应、分馏以及吸收稳定三大系统的变量进行分析,探索每个操作参数和状态参数间的相关性关系,选出对产物收率和性质影响较大的操作和状态参数作为后续建模的输入变量,其中相关性分析算法采用传递熵算法。
(11)稳态分析。面对催化裂化这种复杂的非线性系统,采用基于趋势提取的小波分解法对系统进行稳态分析。小波变换具有良好的时频域定位和多分辨率分析能力,可以分析历史数据中心含有的不同频率特征信息,通过将信号分解为高频段的噪声和代表信号趋势的低频段,来对测量数据进行有限连续的逼近,从而得到过程变量的近似函数。通过建立的单变量稳态准则及系统稳态判断准则,先对所有变量单独进行稳态分析,然后对系统进行稳态判别,图4、图5分别展示了单变量稳态分析和系统的状态判断。对系统的稳态进行判定之后,对处于稳态的系统数据进行提取。取每一段稳态数据的平均值作为表征该稳态段的变量数据,并根据这些变量数据建立数据库,方便后续分析、提取和使用。
(12)建立基于机器学习的偏差补偿模型。通过变量关联分析以及稳态检测分析之后,确定了输入变量及对应的数据集,将输入变量的数据集输入到建立的机理模型中,可以得到机理模型的预测偏差,这些偏差将作为神经网络的输出变量。为了能够进一步区分不同变量对产物收率和产物性质的影响,同时提高模型的预测精度,采用双路输入的两层神经网络模型作为学习算法,网络结构如图6所示。将对产物收率和分布影响较大的反应系统变量和原料油性质变量经主成分分析降维后从第一个隐含层输入,而对产物收率和分布影响较小的分馏系统和吸收稳定系统的变量经主成分分析降维后从第二个隐含层输入;构建分别包含5到15个神经元的两层神经网络,将样本数据随机划分为训练集、验证集和测试集,参数学习采用梯度下降和误差反向传递的方法。经过训练后,得到输入输出的预测模型。模型的误差如图7、图8所示。
(13)模型自动更新。步骤(7)-(12)可在生产过程中与实时数据相结合,运用装置实时数据对模型进行参数校正和偏差补偿模型自动更新,从而实现模型的自动更新。
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,其特征在于,包括如下步骤:
(1)建立催化裂化装置模型,其中催化裂化装置模型包括原料分子解析模型、分子级动力学模型、提升管反应器模型、产物切割模型、物性模型;
(2)基于实际工业数据,对步骤(1)所建模型的参数进行校正;
(3)基于步骤(2)处理结果,建立基于机器学习算法的偏差补偿预测模型;其中,偏差补偿预测模型的输入是装置实际运行参数,输出是机理预测值与历史工况实际输出值之间的偏差,通过实际工况的偏差补偿,提升模型的预测精度;
(4)通过步骤(2)与步骤(3)可在生产过程中与催化裂化装置的实时数据建立通讯机制,实时读取装置数据并进行模型校正和偏差补偿预测模型的更新,实现预测模型的自动更新。
2.根据权利要求1所述的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,其特征在于:所述步骤(1)建立的原料分子解析模型的方法具体如下:
(1.1)原料分子库构建:对原料进行实验分析表征,确定原料分子的核心结构,在核心分子结构基础上按照一定策略添加侧链、支链和甲基,得到原料分子库;
(1.2)原料分子浓度解析:分子浓度的初值根据原料组成特征按照概率分布进行设定,然后通过全局优化算法对分布参数和分子浓度进行调整,使最终的分子浓度分布能够满足原料的各项宏观性质,可以根据进料的宏观物性如密度、残炭、硫含量、氮含量、族组成、馏程解析成详细分子组成;通过分子浓度组成构建技术,根据各项可通过实验分析获取的宏观性质对催化裂化原料的分子组成进行反演分析。
3.根据权利要求1所述的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,其特征在于:所述步骤(1)中的分子级动力学模型的方法具体如下:
(1.3)编写反应规则,构建反应网络:根据催化裂化反应的正碳离子机理,对不同的类型的反应分别建立了反应物选择规则和产物生成规则,针对每一类反应各编写一类规则函数,编写了包含裂化、开环、异构、氢转移、缩合五类主要反应的大类反应规则,利用计算机辅助技术对原料分子应用反应规则,自动生成反应网络;其中反应规则的种类优选在10个-50个。
4.根据权利要求1所述的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,其特征在于:所述步骤(1)中的提升管反应器模型的方法具体如下:
(1.4)建立反应器模型,求解模型,计算产物分子浓度分布;所建的反应器模型包括单提升管模型、MIP双提升管模型、DCC的主副提升管并联模型等常见催化裂化工艺;将反应网络、化学计量学、反应速率方程和动力学参数与上述反应器模型组合,即可得到完整的催化裂化反应器模型。
5.根据权利要求1所述的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,其特征在于:所述步骤(1)中的产物切割模型的方法具体如下:
(1.5)产物切割模型:对从反应器出来的产物油气混合分子,根据各项产品质量要求将混合油气切割分离成干气、液化气、汽油、柴油、油浆、焦炭各流股产品;其中,产物切割模型可采用基于沸点切割的简易切割模型,同时考虑重叠因子的影响;
所述步骤(1)中的物性模型的具体方法如下:
(1.6)物性计算:通过物性计算模型,采用基团贡献法以及经验关联方法,用各项产物的分子浓度计算产物的性质,包括汽油和柴油的各项物性。
6.根据权利要求1所述的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,其特征在于,所述步骤(2)中的参数校正的具体方法为:通过实际工业数据对模型的参数进行校正,完成分子级机理模型;工业数据包括反应器结构尺寸参数、催化剂参数、进出料的性质检测数据(LIMS数据)、装置操作参数(DCS数据)。
7.根据权利要求1所述的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,其特征在于:所述步骤(3)的具体方法如下:
(3.1)数据采集及整理:读取装置的DCS、LIMS历史生产数据,建立数据库,规范格式并建立索引规则,方便后期查询和调用;
(3.2)数据预处理:从数据库中抽取数据进行处理工作,包括缺失插值处理、异常值处理、数据平滑降噪、数据归一化处理;
(3.3)变量关联分析:通过相关性算法对各个变量间的相关性进行计算,并结合专家经验分析,选取最相关的变量进行建模;具体的,变量关联分析的方法选择皮尔逊相关性分析、传递熵、格兰杰因果分析中的任意一种,并结合专家经验分析,从众多变量中挑选关联性强的变量进行建模;
(3.4)稳态分析:通过建立的稳态分析规则对系统进行稳态检测,并析取各个稳态下对应的工况,使用得到的稳态工况建立数据库,方便后续更新和使用;
(3.5)建立偏差补偿预测模型:将历史工况对应的输入变量输入到建立的机理模型中,得到机理模型的预测值,然后计算机理预测值与历史工况实际输出值之间的偏差,通过主成分分析降低输入变量的输入维度,通过机器学习算法建立偏差补偿预测模型,机理模型预测值加偏差补偿得到最终的预测结果。
8.根据权利要求1所述的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,其特征在于:所述步骤(3.2)中的缺失插值处理方法选择线性插值、三次样条插值、均值插值、拉格朗日插值中的任意一种;异常值识别方法选择3σ准则法、箱线图法、格拉布斯检验法中的任意一种;数据降噪平滑方法选择稳健二次回归方法,消除高频噪音信号,保留低频的数据趋势。
9.根据权利要求1所述的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,其特征在于:所述步骤(3.4)中的稳态分析的方法分为单变量稳态分析和系统稳态分析:
(i)单变量稳态分析:采用小波变换的方法对数据集进行趋势提取,通过将信号分解为高频段的噪声和代表信号趋势的低频段,来对测量数据进行有限连续的逼近,得到过程变量的近似函数f(t),建立了稳态指数β(0≤β≤1)来表示变量工况状态的稳定程度,当β=0时,过程变量处于非稳态,β=1时,过程变量处于稳态,0<β<1时,表示过程变量处于过渡态,并且β越接近于1,表示过程变量的状态越稳定;稳态指数β(t)由数据趋势的一阶导数f’(t0)和二阶导数f”(t0)根据以下准则共同决定:
θ(t)=|f'(t)|+γ|f"(r)|
式中:
其中Ts、Tw、Tu为阈值,其确定方法如下:在历史数据库中选择过程处于稳态的一段数据作为参考基准,通过小波变换提取过程变量的变化趋势后,得到过程变量在采样点的一阶导数序列和二阶导数序列,通过分别求其百分位数,则:Ts为一阶导数的百分位数,Tw为二阶导数的百分位数,一般可选90%分位数或95%分位数,其中
Tu=αTs
α为可调参数,一般取[2,5]之间的整数;通过以上公式,可得到过程变量的稳态判断阈值;
(ii)系统稳态分析:采用单变量稳态检测规则得到各个变量的稳态指数βi,整个系统的稳态状况有各变量的稳态指数按下式加权决定:
其中,p为系统的关键特征变量个数,βi(t)为第i个变量的稳态指数,ui为第i个变量的权重。
10.根据权利要求1所述的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,其特征在于:所述步骤(3.5)中的机器学习算法选择前馈神经网络、循环神经网络、支持向量机、最小二乘法、最小二乘支持向量机、极限学习机回归算法中的任意一种。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111084499.5A CN113724800A (zh) | 2021-09-16 | 2021-09-16 | 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 |
PCT/CN2022/111033 WO2023040512A1 (zh) | 2021-09-16 | 2022-08-09 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111084499.5A CN113724800A (zh) | 2021-09-16 | 2021-09-16 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113724800A true CN113724800A (zh) | 2021-11-30 |
Family
ID=78683987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111084499.5A Pending CN113724800A (zh) | 2021-09-16 | 2021-09-16 | 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 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113724800A (zh) |
WO (1) | WO2023040512A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495686A (zh) * | 2022-01-26 | 2022-05-13 | 华东理工大学 | 一种工业催化裂化装置的实时仿真方法及系统 |
CN115831249A (zh) * | 2023-02-20 | 2023-03-21 | 新疆独山子石油化工有限公司 | 基于催化剂浓度变化的分子级催化裂化反应产物预测方法和装置 |
CN115831256A (zh) * | 2023-02-20 | 2023-03-21 | 新疆独山子石油化工有限公司 | 一种分子水平反应动力学模型构建方法及装置、存储介质 |
WO2023040512A1 (zh) * | 2021-09-16 | 2023-03-23 | 广东辛孚科技有限公司 | 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 |
CN115841851A (zh) * | 2023-02-20 | 2023-03-24 | 新疆独山子石油化工有限公司 | 一种加氢裂化分子级反应规则的构建方法和装置 |
CN115954060A (zh) * | 2023-01-04 | 2023-04-11 | 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 |
CN116013425A (zh) * | 2023-02-20 | 2023-04-25 | 新疆独山子石油化工有限公司 | 一种分子水平炼化过程模型构建方法及装置、存储介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116682505B (zh) * | 2023-06-14 | 2023-11-21 | 东北大学 | 一种基于分位数回归森林的hrb400e钢材力学性能预测方法 |
CN117055487B (zh) * | 2023-08-24 | 2024-04-16 | 北京科技大学 | 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 |
CN117648671B (zh) * | 2024-01-29 | 2024-04-02 | 西南石油大学 | 一种融合机理模型和实时数据的油井产量预测方法 |
CN118098404B (zh) * | 2024-04-23 | 2024-07-12 | 烟台国工智能科技有限公司 | 一种催化剂分子反应性能预测方法、设备及介质 |
CN118262848B (zh) * | 2024-05-31 | 2024-07-23 | 北京航空航天大学 | 基于数据驱动的防热材料表面催化特性多尺度预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018229621A1 (en) * | 2017-06-14 | 2018-12-20 | Sabic Global Technologies B.V. | A hybrid machine learning approach towards olefins plant optimization |
CN109960235B (zh) * | 2018-11-29 | 2022-08-26 | 中国石油化工股份有限公司 | 基于机理模型的炼化装置实时优化方法和设备 |
CN109814513B (zh) * | 2019-03-20 | 2020-12-29 | 广东辛孚科技有限公司 | 一种基于数据模型的催化裂化装置优化方法 |
CN110376987A (zh) * | 2019-07-19 | 2019-10-25 | 清华大学 | 基于案例库和稳态检测的炼油过程在线优化方法及装置 |
CN111475957B (zh) * | 2020-04-13 | 2024-02-02 | 华东理工大学 | 一种基于装置机理的炼油过程生产计划优化方法 |
CN113724800A (zh) * | 2021-09-16 | 2021-11-30 | 广东辛孚科技有限公司 | 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 |
-
2021
- 2021-09-16 CN CN202111084499.5A patent/CN113724800A/zh active Pending
-
2022
- 2022-08-09 WO PCT/CN2022/111033 patent/WO2023040512A1/zh unknown
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023040512A1 (zh) * | 2021-09-16 | 2023-03-23 | 广东辛孚科技有限公司 | 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 |
CN114495686A (zh) * | 2022-01-26 | 2022-05-13 | 华东理工大学 | 一种工业催化裂化装置的实时仿真方法及系统 |
CN115954060A (zh) * | 2023-01-04 | 2023-04-11 | 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 |
CN115831249A (zh) * | 2023-02-20 | 2023-03-21 | 新疆独山子石油化工有限公司 | 基于催化剂浓度变化的分子级催化裂化反应产物预测方法和装置 |
CN115831256A (zh) * | 2023-02-20 | 2023-03-21 | 新疆独山子石油化工有限公司 | 一种分子水平反应动力学模型构建方法及装置、存储介质 |
CN115841851A (zh) * | 2023-02-20 | 2023-03-24 | 新疆独山子石油化工有限公司 | 一种加氢裂化分子级反应规则的构建方法和装置 |
CN116013425A (zh) * | 2023-02-20 | 2023-04-25 | 新疆独山子石油化工有限公司 | 一种分子水平炼化过程模型构建方法及装置、存储介质 |
CN115831256B (zh) * | 2023-02-20 | 2023-06-06 | 新疆独山子石油化工有限公司 | 一种分子水平反应动力学模型构建方法及装置、存储介质 |
CN115831249B (zh) * | 2023-02-20 | 2023-06-27 | 新疆独山子石油化工有限公司 | 基于催化剂浓度变化的分子级催化裂化反应产物预测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023040512A1 (zh) | 2023-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113724800A (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 | |
CN109814513B (zh) | 一种基于数据模型的催化裂化装置优化方法 | |
US6897071B2 (en) | Topological near infrared analysis modeling of petroleum refinery products | |
CN104789256A (zh) | 一种催化裂化装置的收率实时预测方法 | |
EP1810162A2 (en) | Application of abnormal event detection technology to hydrocracking units | |
CN106444672A (zh) | 针对炼油和石化装置的分子水平的实时优化方法 | |
CN109324014B (zh) | 一种自适应的原油性质近红外快速预测方法 | |
CN112749849A (zh) | 连续催化重整工艺过程关键参数的集成学习在线预测方法 | |
CN108287474B (zh) | 基于原料不确定性的催化重整反应器鲁棒操作优化方法 | |
WO2006126978A1 (en) | Topological near infrared analysis modeling of petroleum refinery products | |
Li et al. | A two-layer fuzzy synthetic strategy for operational performance assessment of an industrial hydrocracking process | |
CN108846161B (zh) | 一种催化汽油吸附脱硫装置的建模方法 | |
CN115312130A (zh) | 面向增产催化裂化高附加值产品模拟的混合建模方法 | |
CN113793652A (zh) | 一种基于分段智能优选的谱图化学计量学解析方法 | |
Sadighi et al. | Modeling and optimizing a vacuum gas oil hydrocracking plant using an artificial neural network | |
Al-Jlibawi et al. | Efficient soft sensor modelling for advanced manufacturing systems by applying hybrid intelligent soft computing techniques | |
Al-Jlibawi et al. | The efficiency of soft sensors modelling in advanced control systems in oil refinery through the application of hybrid intelligent data mining techniques | |
CN114783541A (zh) | 一种预测催化裂化产品收率的方法、系统及可读存储介质 | |
CN109580918A (zh) | 一种用于预测石脑油的分子组成的方法 | |
CN113707240A (zh) | 基于半监督非线性变分贝叶斯混合模型的成分参数鲁棒软测量方法 | |
CN116013425B (zh) | 一种分子水平炼化过程模型构建方法及装置、存储介质 | |
Macías‐Hernández et al. | Applications of evolving intelligent systems to oil and gas industry | |
CN111103258A (zh) | 近红外光谱预测蒸汽裂解汽油中单环芳烃收率模的方法 | |
CN116463142A (zh) | 一种石油催化裂化方案获取方法及装置 | |
JP7354477B1 (ja) | プログラム、情報処理装置、及び方法 |
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 |