CN114880926A - 一种基于格氏反应的数字孪生系统 - Google Patents
一种基于格氏反应的数字孪生系统 Download PDFInfo
- Publication number
- CN114880926A CN114880926A CN202210465132.6A CN202210465132A CN114880926A CN 114880926 A CN114880926 A CN 114880926A CN 202210465132 A CN202210465132 A CN 202210465132A CN 114880926 A CN114880926 A CN 114880926A
- Authority
- CN
- China
- Prior art keywords
- reaction
- model
- reactant
- grignard
- concentration
- 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
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J19/0006—Controlling or regulating processes
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
Abstract
本发明涉及格氏反应建模技术,公开了一种基于格氏反应的数字孪生系统,其方法包括样本数据的获取;样本数据的过滤,对于获取的样本数据进行过滤;样本数据预处理,对于过滤后的样本数据通过热力学模型进行反应物浓度的计算;格氏反应模型的建立,依据计算出的反应物浓度,利用RBF神经网络模型建立反应模型,从而确定格氏反应模型。本发明通过混合建模方式即机理模型加机器学习的方法结合的方式,利用工业生产数据构建混合模型,从而能很好地进行格氏反应的模拟。
Description
技术领域
本发明涉及格氏反应建模技术,尤其涉及了一种基于格氏反应的数字孪生系统。
背景技术
格氏试剂具有显著的化学活动性,能从水及其它路易斯酸中夺取质子,格氏试剂能用增长碳链的反应称为格氏反应,主要包括烷基化反应、羰基加成反应、共轭加成反应及卤代烃还原反应等。
RMgX + R’COR’’ ---> RR’R’’COMgX (羰基加成反应)。
对于格氏反应的模拟通常需要获取反应动力学数据,选择合适的动力学模型,用以计算反应程度,但获得的反应动力学模拟仍然偏理论,实际反应过程中,反应器设备尺寸、结构、搅拌速度、温度扰动等都会对反应造成影响,所以仅仅只是的利用反应动力学模型并不能很好的模拟反应过程。
发明内容
本发明针对现有技术中,仅仅利用反应动力学模型无法逼真模拟格氏反应的问题,提供了一种基于格氏反应的数字孪生系统。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
一种基于格氏反应的数字孪生系统,其包括:
样本数据的获取模块,样本数据包括格氏反应器的温度、格氏反应器压力、反应物的原料流量,反应物的反应时间、格氏反应器的搅拌桨电机功率、输出物料的流量和出口反应物的组成;
样本数据的过滤模块,样本数据的过滤模块对获取的样本数据进行过滤;
反应物浓度的计算模块,反应物浓度的计算模块用于对过滤后的样本数据通过热力学模型进行反应物浓度的计算;
格氏反应模型的建立模块,格氏反应模型的建立模块依据计算出的反应物浓度,利用RBF神经网络模型建立反应动力模型,从而确定格氏反应模型。
作为优选,反应物浓度的计算包括:
混合前计算各反应物的焓值,通过热力学模型对反应物进行PT闪蒸计算获得混合前各反应物的焓值;
混合后反应物的计算,对混合后的反应物再进行PH闪蒸计算,从而获得各组分的摩尔分数和各组分的温度;
作为优选,PT闪蒸计算的方法包括:
步骤4:
作为优选,PH闪蒸计算的方法包括:
S1:已知焓值H和压力P;
S3:进行PT闪蒸计算;
作为优选,格氏反应模型的建立,将反应机理数学模型作为先验知识,嵌入前馈神经网络中,对于全液相的格氏反应,其动力学模型为,
为了解决上述技术问题,本发明还提供了一种基于格氏反应的数字孪生系统,其包括:
样本数据的获取模块,样本数据包括格氏反应器的温度、格氏反应器压力、反应物的原料流量,反应物的反应时间、格氏反应器的搅拌桨电机功率、输出物料的流量和出口反应物的组成;
样本数据的过滤模块,样本数据的过滤模块对获取的样本数据进行过滤;
反应物浓度的计算模块,反应物浓度的计算模块用于对过滤后的样本数据通过热力学模型进行反应物浓度的计算;
格氏反应模型的建立模块,格氏反应模型的建立模块依据计算出的反应物浓度,利用RBF神经网络模型建立反应动力模型,从而确定格氏反应模型。
为了解决上述技术问题,本发明还提供了一种存储介质,其包括基于格氏反应的数字孪生系统实现的存储介质。
为了解决上述技术问题,本发明还提供了一种电子设备,其包括基于格氏反应的数字孪生系统实现的电子设备。
本发明由于采用了以上技术方案,具有显著的技术效果:
基于RBF(径向基函数)神经网络模型对格氏反应的反应动力学建模,通过分析反应器的运行特征,发现影响反应的因素有:反应温度、反应压力、反应物浓度、加料方式、搅拌速度、反应停留时间等因素都会影响反应的转化率,因此建立的格氏反应神经网络模型选择这6个主要因素作为神经网络的输入变量,以反应器出口格氏试剂的含量作为神经网络的输出,构造一个6输入一个输出的训练数据集。
RBF神经网络的训练需要大量的数据样本,为了降低数据样本量及提高神经网络模型的准确性,需要对神经网络模型进行改进。
本发明是将反应机理数学模型和热力学模型作为先验知识,并将其嵌入前馈神经网络中,先验知识的引入,可以弥补神经网络的固有缺陷、降低神经网络的维度,从而降低神经网络训练的样本量。
训练数据集中输入的因素,其中反应物浓度、加料方式和搅拌速度无法直接测量,加料方式直接影响的是反应物的浓度,因此只需获得反应物浓度就能得知加料方式这一因素对反应转化率的影响,反应物浓度可以通过各反应的进料原料流量再结合热力学计算模型可计算得到,因此反应物浓度的输入,可改为各反应的原料流量来获得。搅拌速速无法直接测量,但搅拌速度与搅拌桨电机功率成正比,故可用搅拌机电机功率来代替搅拌速率这一输入。样本数据来源,从生产装置中获取工艺历史数据,数据包括格氏反应器温度、压力、各反应物的原料流量,反应时间、搅拌桨电机功率以及输出物料的流量及出口反应物的组成。获取整个生产周期的全部数据,用来训练RBF神经网络模型。
附图说明
图1是本发明的流程图。
图2是本发明的PT闪蒸流程图。
图3是本发明的PH闪蒸流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步详细描述。
实施例1
一种基于格氏反应的数字孪生系统,其方法包括:
样本数据的获取;样本数据包括格氏反应器的温度、格氏反应器压力、反应物的原料流量,反应物的反应时间、格氏反应器的搅拌桨电机功率、输出物料的流量和出口反应物的组成;
样本数据的过滤,对于获取的样本数据进行过滤;使样本数据能准确的反映生产实际情况,必须对样本数据进行过滤,剔除明显偏离正常值的数据,正常值一般去设计值的30%左右,这些数据可能是由于仪表异常等因素引起的;
反应物浓度的计算,对于过滤后的样本数据通过热力学模型进行反应物浓度的计算;
格氏反应模型的建立,依据计算出的反应物浓度,利用RBF神经网络模型建立反应动力模型,从而确定格氏反应模型。
反应温度、反应压力、反应物浓度、加料方式、搅拌速度、反应停留时间等因素都会影响反应的转化率,因此建立的格氏反应神经网络模型选择这6个主要因素作为神经网络的输入变量,以反应器出口各物质浓度作为神经网络的输出,构造一个6输入一个输出的训练数据集;利用RBF神经网络模型建立反应动力模型,从而确定格氏反应模型。
反应物浓度的计算包括:
混合前计算各反应物的焓值,通过热力学模型对反应物进行PT闪蒸计算获得混合前各反应物的焓值;
混合后反应物的计算,对混合后的反应物再进行PH闪蒸计算,从而获得各组分的摩尔分数和各组分的温度;
PT闪蒸计算的方法包括:
步骤4:
步骤5:收敛的判断,对估算的液相组成和气相组成及计算的液相组成和气相组成判断其是否收敛,收敛则输出液相组成、气相组成、相平衡常数及气相分率;且输出的液相组成为计算的液相组成;输出的气相组成为计算的气相组成;输出的相平衡常数为计算的相平衡常数;输出气相分率;否则执行步骤2。
PH闪蒸计算的方法包括:
S1:已知焓值H和压力P;
S3:进行PT闪蒸计算;
格氏反应模型的建立,将反应机理数学模型作为先验知识,嵌入前馈神经网络中,对于全液相的格氏反应,其动力学模型为,
实施例2
在实施例1基础上,本发明还提供了一种基于格氏反应的数字孪生系统,其包括:
样本数据的获取模块,样本数据包括格氏反应器的温度、格氏反应器压力、反应物的原料流量,反应物的反应时间、格氏反应器的搅拌桨电机功率、输出物料的流量和出口反应物的组成;
样本数据的过滤模块,样本数据的过滤模块对获取的样本数据进行过滤;
反应物浓度的计算模块,反应物浓度的计算模块用于对过滤后的样本数据通过热力学模型进行反应物浓度的计算;
格氏反应模型的建立模块,格氏反应模型的建立模块依据计算出的反应物浓度,利用RBF神经网络模型建立反应动力模型,从而确定格氏反应模型。
实施例3
在上述实施例基础上,一种存储介质,其包括基于格氏反应的数字孪生系统实现的存储介质。
实施例4
在上述实施例基础上,本实施例还提供了一种电子设备,其包括基于格氏反应的数字孪生系统实现的电子设备。
Claims (7)
1.一种基于格氏反应的数字孪生系统,其包括:
样本数据的获取模块,样本数据包括格氏反应器的温度、格氏反应器压力、反应物的原料流量,反应物的反应时间、格氏反应器的搅拌桨电机功率、输出物料的流量和出口反应物的组成;
样本数据的过滤模块,样本数据的过滤模块对获取的样本数据进行过滤;
反应物浓度的计算模块,反应物浓度的计算模块用于对过滤后的样本数据通过热力学模型进行反应物浓度的计算;
格氏反应模型的建立模块,格氏反应模型的建立模块依据计算出的反应物浓度,利用RBF神经网络模型建立反应动力模型,从而确定格氏反应模型。
3.根据权利要求2所述的一种基于格氏反应的数字孪生系统,其特征在于,PT闪蒸计算的方法包括:
6.一种存储介质,其特征在于,包括权利要求1-5任一所述的一种基于格氏反应的数字孪生系统实现的存储介质。
7.一种电子设备,其特征在于,包括包括权利要求1-5任一所述的一种基于格氏反应的数字孪生系统实现的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210465132.6A CN114880926A (zh) | 2022-04-29 | 2022-04-29 | 一种基于格氏反应的数字孪生系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210465132.6A CN114880926A (zh) | 2022-04-29 | 2022-04-29 | 一种基于格氏反应的数字孪生系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114880926A true CN114880926A (zh) | 2022-08-09 |
Family
ID=82673097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210465132.6A Pending CN114880926A (zh) | 2022-04-29 | 2022-04-29 | 一种基于格氏反应的数字孪生系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114880926A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115220343A (zh) * | 2022-07-13 | 2022-10-21 | 杭州百子尖科技股份有限公司 | 一种用于数字孪生系统的甲醇合成反应器混合建模方法 |
-
2022
- 2022-04-29 CN CN202210465132.6A patent/CN114880926A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115220343A (zh) * | 2022-07-13 | 2022-10-21 | 杭州百子尖科技股份有限公司 | 一种用于数字孪生系统的甲醇合成反应器混合建模方法 |
CN115220343B (zh) * | 2022-07-13 | 2024-05-17 | 杭州百子尖科技股份有限公司 | 一种用于数字孪生系统的甲醇合成反应器混合建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8216517B2 (en) | System and method for monitoring an integrated system | |
CN109603617B (zh) | 一种混合匀浆系统及其应用 | |
CN114880926A (zh) | 一种基于格氏反应的数字孪生系统 | |
JP2003526856A (ja) | プロセス制御システム | |
US4053743A (en) | Method for controlling the ph and other concentration variables | |
Della Bona et al. | LFT modelling and identification of anaerobic digestion | |
Rozzi | Modelling and control of anaerobic digestion processes | |
CN1279356C (zh) | 基于限定记忆部分最小二乘算法的4-cba含量在线软测量建模方法 | |
CN113239645A (zh) | 天然气管网中天然气组分动态跟踪和实时计算系统及方法 | |
Myers et al. | Process control applications of an extended Kalman filter algorithm | |
CN107840434B (zh) | 实验室软硬水自动配制方法及装置 | |
WO2023012007A1 (en) | Method for monitoring and/or controlling a chemical plant using hybrid models | |
CN113253618B (zh) | 全方位烧结工序智能化管控系统 | |
Strömberg et al. | Computer simulation of control strategies for optimal anaerobic digestion | |
Kupilik et al. | Estimation of biogas composition in a catalytic reactor via an extended Kalman filter | |
JP2023553547A (ja) | 定常状態混合タンクにおける単相混合品質を予測するコンピュータ代理モデル | |
CN114936721B (zh) | 河流氧化亚氮排放量的确定方法、装置和电子设备 | |
Neeleman et al. | Estimation of the respiration quotient in a bicarbonate buffered batch cell cultivation | |
Zhang et al. | Reliable multi-objective on-line re-optimisation control of a fed-batch fermentation process using bootstrap aggregated neural networks | |
CN112987672B (zh) | 用于陶瓷渗花墨水混线生产的增益调度方法和装置 | |
Wang | Design and implementation of a real-time adaptive oxygen transfer rate estimator | |
Domnanovich et al. | A fuzzy logic approach to control anaerobic digestion | |
CN115206445A (zh) | 2-巯基苯并噻唑合成机理的建模方法、装置及应用 | |
CN112687345A (zh) | 一种磷酸萃取过程的预测方法和预测装置 | |
JPH0367757B2 (zh) |
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 |