CN115220343B - 一种用于数字孪生系统的甲醇合成反应器混合建模方法 - Google Patents
一种用于数字孪生系统的甲醇合成反应器混合建模方法 Download PDFInfo
- Publication number
- CN115220343B CN115220343B CN202210818380.4A CN202210818380A CN115220343B CN 115220343 B CN115220343 B CN 115220343B CN 202210818380 A CN202210818380 A CN 202210818380A CN 115220343 B CN115220343 B CN 115220343B
- Authority
- CN
- China
- Prior art keywords
- reactor
- methanol synthesis
- network
- training
- synthesis 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.)
- Active
Links
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 title claims abstract description 159
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000015572 biosynthetic process Effects 0.000 title abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000003197 catalytic effect Effects 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 239000003054 catalyst Substances 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 5
- 229910052802 copper Inorganic materials 0.000 description 5
- 239000010949 copper Substances 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000009835 boiling Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000007086 side reaction Methods 0.000 description 3
- 150000001721 carbon Chemical class 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000001465 metallisation Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 150000001336 alkenes Chemical class 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000009089 cytolysis Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
Abstract
本申请实施例公开了一种用于数字孪生系统的甲醇合成反应器混合建模方法,所述方法包括:获取第一训练集用于训练反应器网络,其中,所述第一训练集包括多个第一训练样本,每一所述第一训练样本包括实际甲醇合成反应中的反应器温度、反应器压力和每个关键组分的含量,所述反应器网络为多层神经网络结构;当所述反应器网络的损失函数不再下降时,所述反应器网络被训练完成。
Description
技术领域
本申请涉及工业互联网领域,尤其涉及一种用于数字孪生系统的甲醇合成反应器混合建模方法。
背景技术
甲醇在有机合成工业中,是仅次于烯烃和芳烃的重要基础有机原料。同时也是一种优质的清洁燃料,可以单独或与汽油混合作为汽车燃料。由于市场需求量大,甲醇生成装置一直是比较热门的化工生产装置,因此开发高精度的甲醇合成反应器模型对于工艺优化、员工培训及控制系统优化都有非常重要的意义。
目前可查询的公开文献中的甲醇合成反应器的建模常采用常规机理建模方法,即选择合适的反应动力学模型;根据进出反应器的物料的质量和能量平衡方程,建立反应器的数学模型;选择适当的求解算法进行模拟计算;并根据工业数据对动力学参数加以修正,使计算结果满足装置的模拟需求。由于采用了严格的反应动力学模型,且动力学参数采用工业数据加以修正,所以这种方法相比早期的数据拟合模型,模型的精度和可靠性都具有较大的优势。
但是我们在长期实践和项目中也发现了上述建模方法仍存在的一些问题。其中一个重要的不足就是这种机理模型虽然充分考虑了甲醇合成反应机理以及反应器宏观特性和部分结构特性。但是也忽略了不少设备细节以及后期操作造成的差异对模拟的影响。比如反应器内列管分布情况、催化剂装填情况、床层气体是否分布均匀、反应器催化剂床层温度是否均匀一致、催化剂升温还原操作质量的好坏对后续的影响、床层积碳、铜粒长大和杂质金属沉积等因素,这些因素都会直接影响反应器运行的情况。但是在机理建模模拟中很难通过具体公式及数学模型描述出这些因素如何影响模型计算结果,所以在以往的建模方法中都直接忽略上述因素对模拟的影响。近年随着数字孪生技术在工业领域的推广与应用,我们也在化工及炼油领域积极实践和推广数字孪生技术,这就要求我们的仿真计算模型有更高的精度和具有更好预测性。为了克服甲醇合成反应器传统机理建模计算的不足,本申请提出了一种甲醇合成反应器网络建模方法及反应修正方法,采用机理建模技术对甲醇合成反应器及内部发生的甲醇合成反应及相关副反应进行描述,而对于较难建立机理模型的设备细节及后期操作造成的差异(具体有:反应器内列管分布情况、催化剂装填情况、床层气体是否分布均匀、反应器催化剂床层温度是否均匀一致、催化剂升温还原操作质量的好坏对后续的影响、床层积碳、铜粒长大和杂质金属沉积等因素)则采用人工神经网络模型进行描述。
发明内容
本申请实施例要解决的技术问题,在于提供一种用于数字孪生系统的甲醇合成反应器混合建模方法,以解决至少一个上述技术问题。
为实现上述目的,本申请实施例采用下述技术方案:
第一方面,本申请实施例提供一种用于数字孪生系统的甲醇合成反应器混合建模方法,所述方法包括:
获取第一训练集用于训练反应器网络,其中,所述第一训练集包括多个第一训练样本,每一所述第一训练样本包括实际甲醇合成反应中的反应器温度、反应器压力和每个关键组分的含量,所述反应器网络为多层神经网络结构;
当所述反应器网络的损失函数不再下降时,所述反应器网络被训练完成。
第二方面,本申请实施例提供一种用于数字孪生系统的甲醇合成反应修正方法,应用上述第一方面所述的反应器网络进行甲醇合成反应修正,所述方法包括:
获取机理模型输出的模拟甲醇合成反应的第一反应器温度和多个第一关键组分的含量;
将所述第一反应器温度和多个所述第一关键组分的含量输入所述反应器网络,获得修正后的第一反应器温度和多个第一关键组分的含量。
第三方面,本申请实施例提供一种用于数字孪生系统的甲醇合成反应器混合建模装置,所述装置包括:
第一获取单元,用于获取第一训练集用于训练反应器网络,其中,所述第一训练集包括多个第一训练样本,每一所述第一训练样本包括实际甲醇合成反应中的反应器温度、反应器压力和每个关键组分的含量,所述反应器网络为多层神经网络结构;
第一判断单元,用于当所述反应器网络的损失函数不再下降时,所述反应器网络被训练完成。
第四方面,本申请实施例提供一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现如上述第一方面任一项所述的用于数字孪生系统的甲醇合成反应器混合建模方法或上述第二方面所述的用于数字孪生系统的甲醇合成反应修正方法。
第五方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器执行以实现如上述第一方面所述的用于数字孪生系统的甲醇合成反应器混合建模方法或上述第二方面所述的用于数字孪生系统的甲醇合成反应修正方法。
本申请实施例的有益效果是:本申请实施例提供一种用于数字孪生系统的甲醇合成反应器混合建模方法,至少部分的实施例中,用人工智能中广泛采用的人工神经网络模型,对机理模型计算结果进行矫正与修正,弥补了纯机理模型中对设备细节及后期操作差异等因素的考虑不足。使得最终模拟结果相对与原始机理模型精度大幅提升。
附图说明
图1为本申请一个实施例提供的反向传播算法网络的连接方式的结构示意图;
图2为本申请一个实施例提供的一种用于数字孪生系统的甲醇合成反应器混合建模方法的流程示意图;
图3为本申请一个实施例提供的一种用于数字孪生系统的甲醇合成反应修正方法的流程示意图;
图4为本申请一个实施例提供的一种用于数字孪生系统的甲醇合成反应器混合建模装置的结构示意图;
图5为本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
下面通过具体实施例,并结合附图,对本申请的技术方案作进一步的具体描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
反向传播算法是目前较为实用的人工神经网络算法,它能从大量样本集合中有效地进行学习,提取事物的特征变量,并产生判别函数,再用其对其他样本进行正确属性分类,继而预报未知。反向传播算法网络的连接方式如图1所示。小圆圈代表神经元,它们之间的连接弧代表了神经元之间的信息传递和储存方式,连接弧强度为Wij。前一层神经元节点的输出值以Wij为权作用在当前层的每个神经元上,并通过激励函数sigmoid产生该神经元输出值。
反向传播算法以误差反向传播为模式,即首先计算输出层的误差并以此误差来改变输出层的权值,输出层权值的改变又作为中间层权值改变的基础,由此一层层的反向传播到输入层。在裂解模型中,人工神经网络有以下功能:(1)模拟反应体系的内在特质,实现通过训练过程的定向定量控制;(2)在变量变化范围内,通过训练好网络获得反应结果;(3)实现反应条件最优化。
数字孪生是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念,可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。
部分的基于上述内容,本申请实施例提出了一种用于数字孪生系统的甲醇合成反应器网络建模方法,采用机理建模技术对甲醇合成反应器及内部发生的甲醇合成反应及相关副反应进行描述,而对于较难建立机理模型的设备细节及后期操作造成的差异(具体有:反应器内列管分布情况、催化剂装填情况、床层气体是否分布均匀、反应器催化剂床层温度是否均匀一致、催化剂升温还原操作质量的好坏对后续的影响、床层积碳、铜粒长大和杂质金属沉积等因素)则采用人工神经网络模型进行描述。
以下结合附图,详细说明本申请中各实施例提供的技术方案。
请参阅附图2,其示出了本申请一个实施例提供的一种用于数字孪生系统的甲醇合成反应器混合建模方法的流程示意图,所述方法包括:
S201,获取第一训练集用于训练反应器网络,其中,所述第一训练集包括多个第一训练样本,每一所述第一训练样本包括实际甲醇合成反应中的反应器温度、反应器压力和每个关键组分的含量,所述反应器网络为多层神经网络结构;
S202,当所述反应器网络的损失函数不再下降时,所述反应器网络被训练完成。
在一个实施例中,所述反应器网络包括输入层、隐含层和输出层,其中,所述输入层包括多个输入节点,所述输入节点用于输入模拟的反应器温度、反应器压力和每一关键组分的含量,所述隐含层包括多个隐含节点,所述输出层包括多个输出节点,所述输出节点用于输出修正后的反应器温度和每一关键组分的含量。
在一个实施例中,反应器网络中的输入节点为3个,分别用于输入2+N个自变量:反应器温度、反应器压力、关键组分的含量(N个),输出节点有1+N个,分别用于输出:反应器温度、关键组分的含量(N个)。
在一个实施例中,所述隐含节点的数量为10个。
请参阅附图3,其示出了本申请一个实施例提供的一种用于数字孪生系统的甲醇合成反应修正方法的流程示意图,应用本申请一些实施例所述的反应器网络进行甲醇合成反应,所述方法包括:
S301,获取机理模型输出的模拟甲醇合成反应的第一反应器温度和多个第一关键组分的含量;
S302,将所述第一反应器温度和多个所述第一关键组分的含量输入所述反应器网络,获得修正后的第一反应器温度和多个第一关键组分的含量。
在一个实施例中,所述机理模型基于列管式固定床气固催化反应器建立。
下面简单举例说明下机理模型的反应原理:
1)主反应
2)副反应
通过查阅相关文献选取适合于工业上用的铜基催化剂的动力学模型:
k(CO)=4.889×103exp(-51331/RT)
k(CO2)=3.385×104exp(-62790/RT)
K(CO)=9.494×10-6exp(47577/RT)
K(CO2)=1.320×10-6exp(45867/RT)
K(H2)=5.203×10-1exp(-5512/RT)
甲醇合成反应器工业上常采用列管式固定床气固催化反应器,列管内部装填铜基催化剂,管外为沸腾水。反应器壳程的锅炉水是自然循环的,甲醇合成反应放出的热很快被沸腾水移走。
对单根列管微元做衡算,分别对气、固相作组分和热量衡算得:
对壳程内沸腾水作热量衡算:
定解条件:
t=0时,T=Ts=T1,Tw=Tw1,Ci=Ci,s=0
t>0时,z=0,Ts=T1
t>0时,z=L,
以上即为工业常用的甲醇合成列管式固定床催化反应器的动态模型。
下面再举例说明下动态模型的求解过程:
为推导、编程方便起见,把床层内的所有因变量写成向量Y=(C1-5,C1s-5s,T,Ts)T,则原始方程可写成如下的偏微分方程组:
采用高阶近似法求解该偏微分方程组,即把空间变量z离散化,考虑第j个节点处,因变量Y关于z的一、二阶偏导数用差分近似为:
得到j节点处因变量关于时间的高维常微分方程组:
用梯形公式计算壳程内沸腾水热量衡算式,得下式:
上述两个常微分方程组,即模型最终需要求解的方程组。给定初值条件为t=0时,Y=Y0,采用四阶龙格-库塔法求解。
上述公式中的变量含义如下表所示:
通过以上计算出的反应器温度、及各组分的含量,结合统计整理出的生产数据,训练反应器网络,使反应器网络的输出满足精度要求。
在一个实施例中,所述方法还包括,基于修正后的第一反应器温度和多个第一关键组分的含量,调用PT闪蒸计算反应器出口物料。
请参阅附图4所示,其示出了本申请一个实施例提供的一种用于数字孪生系统的甲醇合成反应器混合建模装置的结构示意图,所述装置包括:
第一获取单元401,用于获取第一训练集用于训练反应器网络,其中,所述第一训练集包括多个第一训练样本,每一所述第一训练样本包括实际甲醇合成反应中的反应器温度、反应器压力和每个关键组分的含量,所述反应器网络为多层神经网络结构;
第一判断单元402,用于当所述反应器网络的损失函数不再下降时,所述反应器网络被训练完成。
请参阅附图5,其示出了本申请一个实施例提供的一种电子设备的结构示意图,可以包括:至少一个网络接口502、存储器503和至少一个处理器501。电子设备中的各个组件通过总线系统504耦合在一起。可以理解,总线系统504用于实现这些组件之间的连接通信。总线系统504除包括数据总线之外,还包括电源总线、控制总线和状态信号总线,但是为了清楚说明起见,在附图5中将各种总线都标为总线系统504。
在一些实施方式中,存储器503存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:操作系统5031和应用程序5032。
其中,操作系统5031,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种寄出业务以及处理基于硬件的任务。应用程序5032,包含各种应用程序,例如媒体播放器(Media Player)、浏览器(Browser)等,用于实现各种应用业务。实现本申请实施例方法的程序可以包含在应用程序中。
在上述实施例中,电子设备还包括:存储在存储器503上的至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集可由处理器501执行实现本申请实施例中任一所述用于数字孪生系统的甲醇合成反应器混合建模方法或用于数字孪生系统的甲醇合成反应修正方法的步骤。
在一个实施例中,本申请还提供了一种计算机可读存储介质,计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器执行时实现本申请实施例中任一所述用于数字孪生系统的甲醇合成反应器混合建模方法或用于数字孪生系统的甲醇合成反应修正方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的至少一条指令、至少一段程序、代码集或指令集可存储于一非易失性计算机可读取存储介质中,所述的至少一条指令、至少一段程序、代码集或指令集在执行时,可实现本申请实施例中所述任一地图绘制方法的步骤。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,这些均属于本申请的保护范围之内。
Claims (5)
1.一种用于数字孪生系统的甲醇合成反应修正方法,其特征是,所述方法包括:
获取机理模型输出的模拟甲醇合成反应的第一反应器温度和多个第一关键组分的含量;
将所述第一反应器温度和多个所述第一关键组分的含量输入反应器网络,获得修正后的第一反应器温度和多个第一关键组分的含量;
其中,所述反应器网络的训练方法包括:
获取第一训练集用于训练反应器网络,其中,所述第一训练集包括多个第一训练样本,每一所述第一训练样本包括实际甲醇合成反应中的反应器温度、反应器压力和每个关键组分的含量,所述反应器网络为多层神经网络结构,所述反应器网络包括输入层、隐含层和输出层,其中,所述输入层包括多个输入节点,所述输入节点用于输入模拟的反应器温度、反应器压力和每一关键组分的含量,所述隐含层包括多个隐含节点,所述输出层包括多个输出节点,所述输出节点用于输出修正后的反应器温度和每一关键组分的含量,所述隐含节点的数量为10个;当所述反应器网络的损失函数不再下降时,所述反应器网络被训练完成。
2.根据权利要求1所述的一种用于数字孪生系统的甲醇合成反应修正方法,其特征是,所述机理模型基于列管式固定床气固催化反应器建立。
3.根据权利要求1所述的一种用于数字孪生系统的甲醇合成反应修正方法,其特征是,所述方法还包括,基于修正后的第一反应器温度和多个第一关键组分的含量,调用PT闪蒸计算反应器出口物料。
4.一种电子设备,其特征是,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现如权利要求1-3任一项所述的用于数字孪生系统的甲醇合成反应修正方法。
5.一种计算机可读存储介质,其特征是,所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器执行以实现如权利要求1-3任一项所述的用于数字孪生系统的甲醇合成反应修正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210818380.4A CN115220343B (zh) | 2022-07-13 | 2022-07-13 | 一种用于数字孪生系统的甲醇合成反应器混合建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210818380.4A CN115220343B (zh) | 2022-07-13 | 2022-07-13 | 一种用于数字孪生系统的甲醇合成反应器混合建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115220343A CN115220343A (zh) | 2022-10-21 |
CN115220343B true CN115220343B (zh) | 2024-05-17 |
Family
ID=83612765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210818380.4A Active CN115220343B (zh) | 2022-07-13 | 2022-07-13 | 一种用于数字孪生系统的甲醇合成反应器混合建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115220343B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105388241A (zh) * | 2015-11-27 | 2016-03-09 | 上海纺织集团检测标准有限公司 | 一种化学回收法再生涤纶的鉴别方法 |
CN108803343A (zh) * | 2018-07-24 | 2018-11-13 | 国家能源投资集团有限责任公司 | 甲醇制烯烃反应器的控制方法及装置 |
CN109948302A (zh) * | 2019-04-16 | 2019-06-28 | 杭州坤天自动化系统有限公司 | 基于人工神经网络与机理建模的裂解反应建模方法及装置 |
CN114502715A (zh) * | 2019-05-08 | 2022-05-13 | 伊西利科生物技术股份公司 | 优化生物技术生产的方法和装置 |
CN114880926A (zh) * | 2022-04-29 | 2022-08-09 | 杭州百子尖科技股份有限公司 | 一种基于格氏反应的数字孪生系统 |
CN115114845A (zh) * | 2022-05-24 | 2022-09-27 | 杭州百子尖科技股份有限公司 | 一种用于数字孪生系统的平推流反应器建模的方法和装置 |
-
2022
- 2022-07-13 CN CN202210818380.4A patent/CN115220343B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105388241A (zh) * | 2015-11-27 | 2016-03-09 | 上海纺织集团检测标准有限公司 | 一种化学回收法再生涤纶的鉴别方法 |
CN108803343A (zh) * | 2018-07-24 | 2018-11-13 | 国家能源投资集团有限责任公司 | 甲醇制烯烃反应器的控制方法及装置 |
CN109948302A (zh) * | 2019-04-16 | 2019-06-28 | 杭州坤天自动化系统有限公司 | 基于人工神经网络与机理建模的裂解反应建模方法及装置 |
CN114502715A (zh) * | 2019-05-08 | 2022-05-13 | 伊西利科生物技术股份公司 | 优化生物技术生产的方法和装置 |
CN114880926A (zh) * | 2022-04-29 | 2022-08-09 | 杭州百子尖科技股份有限公司 | 一种基于格氏反应的数字孪生系统 |
CN115114845A (zh) * | 2022-05-24 | 2022-09-27 | 杭州百子尖科技股份有限公司 | 一种用于数字孪生系统的平推流反应器建模的方法和装置 |
Non-Patent Citations (3)
Title |
---|
基于PSO-DNN神经网络的煤制甲醇合成过程建模;张文兴;甘子桥;王建国;;当代化工;20131228(第12期);全文 * |
基于改进狼群算法的甲醇合成塔转化率机理建模及参数估计;俞灵杰 等;华东理工大学学报(自然科学版);20171231;第43卷(第6期);全文 * |
煤制甲醇工艺甲醇合成塔的工艺设计探讨;姜浩;;广州化工;20131123(第22期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115220343A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021517316A (ja) | ニューラルネットワークのネットワーク表示生成方法及びその装置、コンピュータプログラム並びに機器 | |
Sun et al. | Machine learning accelerated calculation and design of electrocatalysts for CO2 reduction | |
CN102968056A (zh) | 质子交换膜燃料电池的建模系统及其智能预测控制方法 | |
Song et al. | Reliability-based design optimization using adaptive surrogate model and importance sampling-based modified SORA method | |
CN113011085A (zh) | 一种设备数字孪生建模方法及系统 | |
KR102546367B1 (ko) | 유전 알고리즘을 이용한 인공 신경망 모델 구축방법 및 이를 이용한 변수 최적화 방법 | |
CN112182938A (zh) | 基于迁移学习-多保真度建模的介观结构件力学性能预测方法 | |
Vercammen et al. | Dynamic estimation of specific fluxes in metabolic networks using non-linear dynamic optimization | |
CN115220343B (zh) | 一种用于数字孪生系统的甲醇合成反应器混合建模方法 | |
Li et al. | Towards high-throughput microstructure simulation in compositionally complex alloys via machine learning | |
Nasim et al. | Optimizing ultrasonic reactor operating variables using intelligent soft computing models for increased biodiesel production | |
Izadi et al. | A novel WaveNet-GRU deep learning model for PEM fuel cells degradation prediction based on transfer learning | |
EP4169022A1 (en) | Kinematic modeling of biochemical pathways | |
CN117334271B (zh) | 一种基于指定属性生成分子的方法 | |
CN112825157B (zh) | 一种气化产气预测方法、装置、设备及存储介质 | |
Nan et al. | A gradient-assisted learning strategy of Kriging model for robust design optimization | |
Wang et al. | Data-driven method for process optimization in electromagnetic-electrohydraulic hybrid high-velocity sheet metal forming | |
Peterson et al. | Hybrid modeling of the catalytic CO2 methanation using process data and process knowledge | |
US20220036964A1 (en) | Kinematic modeling of biochemical pathways | |
CN112750504B (zh) | 存储器、基于原设备的氢网优化方法、装置和设备 | |
Anjum et al. | Application of modified grey forecasting model to predict the municipal solid waste generation using MLP and MLE | |
CN113628692A (zh) | 基于数据与机理相混合的催化重整过程建模方法 | |
Wang et al. | A neighborhood‐adaptive state transition algorithm for operational optimization of residue hydrogenation fractionation process | |
Li et al. | Robust Optimization of Industrial Process Operation Parameters Based on Data‐Driven Model and Parameter Fluctuation Analysis | |
Zhang et al. | A Dendrite Net based decoupled framework for the reliability‐based control co‐design problem |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |