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 PDF

Info

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
Application number
CN202210465132.6A
Other languages
English (en)
Inventor
葛铭
黄彩霞
魏江
沈井学
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.)
Hangzhou Baizijian Technology Co ltd
Original Assignee
Hangzhou Baizijian 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 Hangzhou Baizijian Technology Co ltd filed Critical Hangzhou Baizijian Technology Co ltd
Priority to CN202210465132.6A priority Critical patent/CN114880926A/zh
Publication of CN114880926A publication Critical patent/CN114880926A/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
    • 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

一种基于格氏反应的数字孪生系统
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；
混合后反应物的浓度计算，对混合后的反应物计算获得混合后的反应物组分浓度
Figure DEST_PATH_IMAGE001
；
Figure DEST_PATH_IMAGE003
公式中，
Figure 508163DEST_PATH_IMAGE004
为总物流的摩尔流量、
Figure DEST_PATH_IMAGE005
为组分的液相摩尔分数、
Figure 406980DEST_PATH_IMAGE006
为反应器的体积。
作为优选，PT闪蒸计算的方法包括：
步骤1：确定反应物的流量F、反应物的组成
Figure DEST_PATH_IMAGE007
、压力为P、温度为
Figure 87360DEST_PATH_IMAGE008
；
步骤2：估算液相组成
Figure DEST_PATH_IMAGE009
和气相组成
Figure 29908DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
；
Figure 773568DEST_PATH_IMAGE012
；
其中，
Figure DEST_PATH_IMAGE013
为估算的相平衡常数，
Figure 787660DEST_PATH_IMAGE014
；
Figure DEST_PATH_IMAGE015
；
Figure 542121DEST_PATH_IMAGE016
；
步骤3：计算液相组成
Figure DEST_PATH_IMAGE017
和气相组成
Figure 186729DEST_PATH_IMAGE018
；
Figure DEST_PATH_IMAGE019
；
Figure 689123DEST_PATH_IMAGE020
；
其中，
Figure DEST_PATH_IMAGE021
为计算的相平衡常数
Figure 208704DEST_PATH_IMAGE022
；
Figure DEST_PATH_IMAGE023
；
Figure 348829DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE025
；
Figure 695497DEST_PATH_IMAGE026
；
Figure DEST_PATH_IMAGE027
；
其中，
Figure 425468DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
，
Figure 719046DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE031
，
Figure 228525DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE033
分别为物质的二元交互作用参数，T为温度，x为组分摩尔分数，
Figure 965668DEST_PATH_IMAGE034
、
Figure 599911DEST_PATH_IMAGE036
、
Figure DEST_PATH_IMAGE037
、
Figure 493918DEST_PATH_IMAGE038
分别表示第
Figure 264428DEST_PATH_IMAGE034
、
Figure 687319DEST_PATH_IMAGE036
、
Figure 543279DEST_PATH_IMAGE037
、
Figure 693507DEST_PATH_IMAGE038
个组分，
Figure DEST_PATH_IMAGE039
为逸度系数；
步骤4：
计算气相分率
Figure 380840DEST_PATH_IMAGE040
；
Figure DEST_PATH_IMAGE041
；
其中，
Figure 709053DEST_PATH_IMAGE042
为组分数量，
Figure 114627DEST_PATH_IMAGE040
为气相分率；
步骤5：收敛的判断，对估算的液相组成
Figure 304431DEST_PATH_IMAGE009
和气相组成
Figure 49533DEST_PATH_IMAGE010
及计算的液相组成
Figure 814227DEST_PATH_IMAGE017
和气相组成
Figure 644780DEST_PATH_IMAGE018
判断其是否收敛，收敛则输出液相组成
Figure 153121DEST_PATH_IMAGE005
、气相组成
Figure DEST_PATH_IMAGE043
、相平衡常数
Figure 815047DEST_PATH_IMAGE044
及气相分率
Figure DEST_PATH_IMAGE045
；否则执行步骤2。
作为优选，PH闪蒸计算的方法包括：
S1：已知焓值H和压力P；
S2：假定温度为
Figure 468751DEST_PATH_IMAGE008
；
S3：进行PT闪蒸计算；
S4：计算焓值
Figure 583337DEST_PATH_IMAGE046
；
Figure DEST_PATH_IMAGE047
；
其中，
Figure 629791DEST_PATH_IMAGE005
为组分的摩尔系数，
Figure 349485DEST_PATH_IMAGE048
为常数，
Figure DEST_PATH_IMAGE049
为组分的逸度系数，
Figure 190402DEST_PATH_IMAGE050
为气化热；
S5：判断焓值
Figure 277438DEST_PATH_IMAGE046
及焓值H的误差，当误差位于tol范围内则输出温度T、液相组成
Figure 127582DEST_PATH_IMAGE005
、气相组成
Figure 701783DEST_PATH_IMAGE043
及气相分率e，否则进行重新估算T，返回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，
Figure 979181DEST_PATH_IMAGE052
其中，
Figure 271622DEST_PATH_IMAGE048
为反应速率，
Figure DEST_PATH_IMAGE053
为正向反应的反应速率常数、
Figure 440304DEST_PATH_IMAGE054
为RMgX的浓度、
Figure DEST_PATH_IMAGE055
为R’COR’’的浓度，
Figure 931328DEST_PATH_IMAGE056
表示逆向反应的反应速率常数，
Figure DEST_PATH_IMAGE057
为RR’R’’COMgX的浓度。
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；
混合后反应物的浓度计算，对混合后的反应物计算获得混合后的反应物组分浓度
Figure 114048DEST_PATH_IMAGE001
；
Figure 628206DEST_PATH_IMAGE003
公式中，
Figure 820153DEST_PATH_IMAGE004
为总物流的摩尔流量、
Figure 368946DEST_PATH_IMAGE005
为组分的液相摩尔分数、
Figure 473299DEST_PATH_IMAGE006
为反应器的体积。
PT闪蒸计算的方法包括：
步骤1：确定反应物的流量F、反应物的组成
Figure 537070DEST_PATH_IMAGE007
、压力为P、温度为
Figure 470391DEST_PATH_IMAGE008
；
步骤2：估算液相组成
Figure 936007DEST_PATH_IMAGE009
和气相组成
Figure 663792DEST_PATH_IMAGE010
，
Figure 214859DEST_PATH_IMAGE011
；
Figure 951871DEST_PATH_IMAGE012
；
其中，
Figure 538839DEST_PATH_IMAGE013
为估算的相平衡常数，
Figure 234263DEST_PATH_IMAGE014
；
Figure 210309DEST_PATH_IMAGE015
；
Figure 547750DEST_PATH_IMAGE016
；
步骤3：计算液相组成
Figure 660062DEST_PATH_IMAGE017
和气相组成
Figure 57545DEST_PATH_IMAGE018
；
Figure 255308DEST_PATH_IMAGE019
；
Figure 147172DEST_PATH_IMAGE020
；
其中，
Figure 113991DEST_PATH_IMAGE021
为计算的相平衡常数
Figure 416797DEST_PATH_IMAGE022
；
Figure 164173DEST_PATH_IMAGE023
；
Figure 781099DEST_PATH_IMAGE024
，
Figure 930320DEST_PATH_IMAGE025
；
Figure 607289DEST_PATH_IMAGE026
；
Figure 825650DEST_PATH_IMAGE027
；
其中，
Figure 308584DEST_PATH_IMAGE028
，
Figure 249995DEST_PATH_IMAGE029
，
Figure 160182DEST_PATH_IMAGE030
，
Figure 819834DEST_PATH_IMAGE031
，
Figure 840879DEST_PATH_IMAGE032
，
Figure 902376DEST_PATH_IMAGE033
分别为物质的二元交互作用参数，T为温度，x为组分摩尔分数，
Figure 468618DEST_PATH_IMAGE034
、
Figure 412303DEST_PATH_IMAGE036
、
Figure 174723DEST_PATH_IMAGE037
、
Figure 153043DEST_PATH_IMAGE038
分别表示第
Figure 342716DEST_PATH_IMAGE034
、
Figure 773697DEST_PATH_IMAGE036
、
Figure 74229DEST_PATH_IMAGE037
、
Figure 156323DEST_PATH_IMAGE038
个组分，
Figure 579214DEST_PATH_IMAGE039
为逸度系数；
步骤4：
计算气相分率
Figure 435175DEST_PATH_IMAGE040
；
Figure 601714DEST_PATH_IMAGE041
；
其中，
Figure 492310DEST_PATH_IMAGE042
为组分数量，
Figure 86102DEST_PATH_IMAGE040
为气相分率；
步骤5：收敛的判断，对估算的液相组成
Figure 429359DEST_PATH_IMAGE009
和气相组成
Figure 884742DEST_PATH_IMAGE010
及计算的液相组成
Figure 629844DEST_PATH_IMAGE017
和气相组成
Figure 394538DEST_PATH_IMAGE018
判断其是否收敛，收敛则输出液相组成
Figure 225090DEST_PATH_IMAGE005
、气相组成
Figure 733432DEST_PATH_IMAGE043
、相平衡常数
Figure 129778DEST_PATH_IMAGE044
及气相分率
Figure 3056DEST_PATH_IMAGE045
；且输出的液相组成
Figure 632490DEST_PATH_IMAGE005
为计算的液相组成
Figure 882205DEST_PATH_IMAGE017
；输出的气相组成
Figure 398637DEST_PATH_IMAGE043
为计算的气相组成
Figure 442817DEST_PATH_IMAGE018
；输出的相平衡常数
Figure 310279DEST_PATH_IMAGE044
为计算的相平衡常数
Figure 894844DEST_PATH_IMAGE021
；输出气相分率
Figure 469045DEST_PATH_IMAGE045
；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；
S2：假定温度为
Figure 497175DEST_PATH_IMAGE008
；
S3：进行PT闪蒸计算；
S4：计算焓值
Figure 789616DEST_PATH_IMAGE046
；
Figure 177872DEST_PATH_IMAGE047
；
其中，
Figure 606579DEST_PATH_IMAGE005
为组分的摩尔系数，
Figure 320457DEST_PATH_IMAGE048
为常数，
Figure 834615DEST_PATH_IMAGE049
为组分的逸度系数，
Figure 26562DEST_PATH_IMAGE050
为气化热；
S5：判断焓值
Figure 575355DEST_PATH_IMAGE046
及焓值H的误差，当误差位于tol范围内则输出温度T、液相组成
Figure 184103DEST_PATH_IMAGE005
、气相组成
Figure 247874DEST_PATH_IMAGE043
及气相分率e，否则进行重新估算T，返回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，
Figure 181195DEST_PATH_IMAGE052
其中，
Figure 646811DEST_PATH_IMAGE048
为反应速率，
Figure 374596DEST_PATH_IMAGE053
为正向反应的反应速率常数、
Figure 925663DEST_PATH_IMAGE054
为RMgX的浓度、
Figure 397095DEST_PATH_IMAGE055
为R’COR’’的浓度，
Figure 467951DEST_PATH_IMAGE056
表示逆向反应的反应速率常数，
Figure 632216DEST_PATH_IMAGE057
为RR’R’’COMgX的浓度。
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。
2.根据权利要求1所述的一种基于格氏反应的数字孪生系统，其特征在于，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；
混合后反应物的浓度计算，对混合后的反应物计算获得混合后的反应物组分浓度
Figure 332948DEST_PATH_IMAGE001
；
Figure 404809DEST_PATH_IMAGE002
公式中，
Figure 782701DEST_PATH_IMAGE003
为总物流的摩尔流量，
Figure 914605DEST_PATH_IMAGE004
为液相组成，
Figure 377947DEST_PATH_IMAGE005
为反应器的体积。
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：
步骤1：确定反应物的流量F、反应物的组成
Figure 987920DEST_PATH_IMAGE006
、压力为P、温度为
Figure 33368DEST_PATH_IMAGE007
；
步骤2：估算液相组成
Figure 539435DEST_PATH_IMAGE008
和气相组成
Figure 286811DEST_PATH_IMAGE009
，
Figure 903738DEST_PATH_IMAGE010
；
Figure 52959DEST_PATH_IMAGE011
；
其中，
Figure 729928DEST_PATH_IMAGE012
为估算的相平衡常数，
Figure 964600DEST_PATH_IMAGE013
；
Figure 119638DEST_PATH_IMAGE014
；
Figure 638213DEST_PATH_IMAGE015
；
步骤3：计算液相组成
Figure 282821DEST_PATH_IMAGE016
和气相组成
Figure 942473DEST_PATH_IMAGE017
；
Figure 963518DEST_PATH_IMAGE018
；
Figure 759436DEST_PATH_IMAGE019
；
其中，
Figure 840524DEST_PATH_IMAGE020
为计算的相平衡常数
Figure 987472DEST_PATH_IMAGE021
；
Figure 562941DEST_PATH_IMAGE022
；
Figure 478944DEST_PATH_IMAGE023
，
Figure 465355DEST_PATH_IMAGE024
；
Figure 896336DEST_PATH_IMAGE025
；
Figure 196867DEST_PATH_IMAGE026
；
其中，
Figure 295273DEST_PATH_IMAGE027
，
Figure 390268DEST_PATH_IMAGE028
，
Figure 817533DEST_PATH_IMAGE029
，
Figure 921756DEST_PATH_IMAGE030
，
Figure 609089DEST_PATH_IMAGE031
，
Figure 937302DEST_PATH_IMAGE032
分别为物质的二元交互作用参数，T为温度，x为组分摩尔分数，
Figure 280559DEST_PATH_IMAGE033
、
Figure 250789DEST_PATH_IMAGE034
、
Figure DEST_PATH_IMAGE035
、
Figure 543361DEST_PATH_IMAGE036
分别表示第
Figure 245738DEST_PATH_IMAGE033
、
Figure 138607DEST_PATH_IMAGE034
、
Figure 381370DEST_PATH_IMAGE035
、
Figure 980978DEST_PATH_IMAGE036
个组分，
Figure 916573DEST_PATH_IMAGE037
为逸度系数；
步骤4：计算气相分率
Figure 234422DEST_PATH_IMAGE038
；
Figure 530143DEST_PATH_IMAGE039
；
其中，
Figure 249838DEST_PATH_IMAGE040
为组分数量，
Figure 356334DEST_PATH_IMAGE038
为气相分率；
步骤5：收敛的判断，对估算的液相组成
Figure 161479DEST_PATH_IMAGE008
和气相组成
Figure 746044DEST_PATH_IMAGE009
及计算的液相组成
Figure 382562DEST_PATH_IMAGE016
和气相组成
Figure 597642DEST_PATH_IMAGE017
判断其是否收敛，收敛则输出液相组成
Figure 437553DEST_PATH_IMAGE004
、气相组成
Figure 29072DEST_PATH_IMAGE041
、相平衡常数
Figure 520096DEST_PATH_IMAGE042
及气相分率
Figure 906078DEST_PATH_IMAGE043
；否则返回执行步骤2。
4.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，PH闪蒸计算的方法包括：
S1：已知焓值H和压力P；
S2：假定温度为
Figure 748132DEST_PATH_IMAGE007
；
S3：进行PT闪蒸计算；
S4：计算焓值
Figure 877762DEST_PATH_IMAGE044
；
Figure 223293DEST_PATH_IMAGE045
；
其中，
Figure 45755DEST_PATH_IMAGE004
为组分的摩尔系数，
Figure 358794DEST_PATH_IMAGE046
为常数，
Figure 88852DEST_PATH_IMAGE047
为组分的逸度系数，
Figure 226573DEST_PATH_IMAGE048
为气化热；
S5：判断焓值
Figure 282253DEST_PATH_IMAGE044
及焓值H的误差，当误差位于tol范围内则输出温度T、液相组成
Figure 771004DEST_PATH_IMAGE004
、气相组成
Figure 304753DEST_PATH_IMAGE041
及气相分率e，否则进行重新估算T，返回S3进行PT闪蒸计算。
5.根据权利要求1所述的一种基于格氏反应的数字孪生系统，其特征在于，格氏反应模型的建立，将反应动力学模型作为先验知识，嵌入前馈神经网络中，对于格氏反应，其动力学模型为，
Figure 562559DEST_PATH_IMAGE049
其中，
Figure 539873DEST_PATH_IMAGE046
为反应速率，
Figure 250341DEST_PATH_IMAGE050
为正向反应的反应速率常数、
Figure DEST_PATH_IMAGE051
为RMgX的浓度、
Figure 118939DEST_PATH_IMAGE052
为R’COR’’的浓度，
Figure 496831DEST_PATH_IMAGE053
表示逆向反应的反应速率常数，
Figure 628735DEST_PATH_IMAGE054
为RR’R’’COMgX的浓度。
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。
CN202210465132.6A 2022-04-29 2022-04-29 一种基于格氏反应的数字孪生系统 Pending CN114880926A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (2)

* Cited by examiner, † Cited by third party
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