CN115938502A - 一种基于分子级反应机理的化工产物特性预测方法及系统 - Google Patents
一种基于分子级反应机理的化工产物特性预测方法及系统 Download PDFInfo
- Publication number
- CN115938502A CN115938502A CN202211572596.3A CN202211572596A CN115938502A CN 115938502 A CN115938502 A CN 115938502A CN 202211572596 A CN202211572596 A CN 202211572596A CN 115938502 A CN115938502 A CN 115938502A
- Authority
- CN
- China
- Prior art keywords
- model
- molecular
- reaction
- reaction mechanism
- raw material
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 235
- 238000000034 method Methods 0.000 title claims abstract description 127
- 230000007246 mechanism Effects 0.000 title claims abstract description 114
- 239000000126 substance Substances 0.000 title claims abstract description 60
- 238000004523 catalytic cracking Methods 0.000 claims abstract description 87
- 230000008569 process Effects 0.000 claims abstract description 61
- 238000004364 calculation method Methods 0.000 claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012512 characterization method Methods 0.000 claims abstract description 11
- 239000002994 raw material Substances 0.000 claims description 78
- 238000005457 optimization Methods 0.000 claims description 43
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 31
- 239000003054 catalyst Substances 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 26
- 239000000203 mixture Substances 0.000 claims description 22
- 238000012546 transfer Methods 0.000 claims description 22
- 239000013064 chemical raw material Substances 0.000 claims description 16
- 230000000704 physical effect Effects 0.000 claims description 16
- 239000003795 chemical substances by application Substances 0.000 claims description 14
- 239000002245 particle Substances 0.000 claims description 8
- 239000000376 reactant Substances 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000002922 simulated annealing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 10
- 239000007789 gas Substances 0.000 description 27
- 239000003921 oil Substances 0.000 description 27
- 239000003502 gasoline Substances 0.000 description 23
- 230000006870 function Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 11
- 239000002283 diesel fuel Substances 0.000 description 11
- -1 carbonium ion Chemical class 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000005336 cracking Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 239000012634 fragment Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 239000002002 slurry Substances 0.000 description 5
- 238000001179 sorption measurement Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000003197 catalytic effect Effects 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 239000003208 petroleum Substances 0.000 description 4
- 230000008929 regeneration Effects 0.000 description 4
- 238000011069 regeneration method Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical group [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 239000000571 coke Substances 0.000 description 3
- 238000009833 condensation Methods 0.000 description 3
- 230000005494 condensation Effects 0.000 description 3
- 239000000295 fuel oil Substances 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 150000002431 hydrogen Chemical class 0.000 description 3
- 239000012071 phase Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 125000003118 aryl group Chemical group 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000010779 crude oil Substances 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 238000006317 isomerization reaction Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007142 ring opening reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 150000001335 aliphatic alkanes Chemical class 0.000 description 1
- 150000001336 alkenes Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000004989 laser desorption mass spectroscopy Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002808 molecular sieve Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 description 1
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- URGAHOPLAPQHLN-UHFFFAOYSA-N sodium aluminosilicate Chemical compound [Na+].[Al+3].[O-][Si]([O-])=O.[O-][Si]([O-])=O URGAHOPLAPQHLN-UHFFFAOYSA-N 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 238000006557 surface reaction Methods 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Abstract
本发明公开了一种基于分子级反应机理的化工产物特性预测方法及系统，所述方法包括：利用表征方法构建关于催化裂化过程的分子级反应机理模型；基于所述分子级反应机理模型，计算关于产品收率和性质在若干个操作参数下的计算算例，并采用所述计算算例建立关于操作参数与产物收率和性质的模型数据库；利用所述模型数据库进行模型训练，得到神经网络代理模型，并采用所述神经网络代理模型预测化工产物特性，所述化工产物特性包括：产物收率和产物性质。本发明可以利用表征方法来构建催化裂化过程分子级反应机理的模型，再利用分子级机理模型对催化裂化的产物特性进行预测，从而能有效提升预测的精度，以满足精细加工的需求。
Description
技术领域
本发明涉及预测石油化工分子的技术领域，尤其涉及一种基于分子级反应机理的化工产物特性预测方法及系统。
背景技术
催化裂化是原油二次加工中最重要的加工过程，在炼油厂中占有举足轻重的地位，是柴油、汽油和液化气的主要生产手段。催化裂化过程是指重质油在提升管反应器与再生催化剂作用，发生裂化的工业过程。裂化反应机理复杂，气态的原料油气在雾化蒸汽作用下与固体粒子催化剂以流态化形式接触，是一个极其复杂的热力学和反应动力学系统。由于催化裂化工艺的改进可以带来显著的经济效益提升，结合计算机模拟以加快催化裂化工艺开发，是目前主要的研究方向。对催化裂化过程进行计算机模拟的研究中，针对过程的关键单元反应再生系统，进行化学反应机理模型的建立，是催化裂化过程建模的重点。
催化裂化反应再生系统伴随着复杂的物理化学反应和相变过程，在建模过程中，既要考虑过程本质变化，也需要考虑反映过程变量之间主要的、关键的关联性。为此，其中一种常用的催化裂化过程模型主要以集总动力学模型为主，工业界先后开发了3集总、6集总、10集总、11集总、13集总、14集总、21集总、32集总等集总模型，集总模型可以反映催化裂化过程的主要规律，从而能根据集总模型反映的催化裂化对产物的特性进行预测，以便用户根据预测结果进行催化裂化调整和管理。
但目前常用的方法有如下技术问题：集总模型仅以动力学特性相似原则划分组分，模型计算出的产率和产物分布只能以混合物的总体性质呈现，且预测精度差、外延性差，难以适用于不同的催化裂化装置；集总模型将大量分子当成一种集总，不能区分集总内部分子的差异，也不能表达集总内部的反应，模拟预测的结果相对粗放，随着炼厂对精细加工程度的要求越来越高，目前常用的集总模型难以满足现有的精细加工需求。
发明内容
本发明提出一种基于分子级反应机理的化工产物特性预测方法及系统，所述方法从分子层次对催化裂化过程进行模拟，利用表征方法来构建催化裂化过程分子级反应机理的模型，再利用分子级机理模型对催化裂化的产物特性进行预测，通过模型向量中的每一个元素代表一种石油分子结构，使得模型能更加详细地反映催化裂化的内部信息，从而能有效提升预测的精度，以满足精细加工的需求。
本发明实施例的第一方面提供了一种基于分子级反应机理的化工产物特性预测方法，所述方法包括：
利用表征方法构建关于催化裂化过程的分子级反应机理模型；
基于所述分子级反应机理模型，计算关于产品收率和性质在若干个操作参数下的计算算例，并采用所述计算算例建立关于操作参数与产物收率和性质的模型数据库；
利用所述模型数据库进行模型训练，得到神经网络代理模型，并采用所述神经网络代理模型预测化工产物特性，所述化工产物特性包括：产物收率和产物性质。
在第一方面的一种可能的实现方式中，所述利用表征方法构建关于催化裂化过程的分子级反应机理模型，包括：
在获取化学原料的实验分析数据后，以所述实验分析数据为表征基础并在原料分子核心结构上添加侧链构建关于化学原料的原料分子库；
基于所述原料分子库的分子组成构建关于原料分子核心结构的反应网络；
对所述反应网络依次进行简化、浓度计算和参数调整，得到分子级反应机理模型。
在第一方面的一种可能的实现方式中，所述基于所述原料分子库的分子组成构建关于原料分子核心结构的反应网络，包括：
基于所述原料分子库的原料宏观性质对所述原料分子库的分子组成进行反演分析得到分子信息；
利用预设的原料分子应用反应规则将所述分子信息转换生成反应网络，所述预设的原料分子应用反应规则为基于催化裂化反应的正碳离子机理对不同的反应家族建立的反应规则。
在第一方面的一种可能的实现方式中，所述对所述反应网络依次进行简化、浓度计算和参数调整，得到分子级反应机理模型，包括：
对所述反应网络的反应物浓度维度分布进行简化处理，并求解所述反应网络的反应器微分方程组得到包含多种化学原料分子的浓度分布信息；
根据所述化学原料分子的质量，将所述分子浓度分布信息拆分为多个分子浓度信息，并利用预设的物性计算模型计算每个所述分子浓度信息对应的物性数值，每个所述分子浓度信息对应一种化学原料分子；
利用多个所述物性数值对所述反应网络的模型参数进行校正，得到分子级反应机理模型。
在第一方面的一种可能的实现方式中，所述求解所述反应网络的反应器微分方程组得到包含多种化学原料分子的浓度分布信息，包括：
构建关于所述反应网络的质量传递微分方程和关于催化剂循环量的关联式；
将所述质量传递微分方程与所述关联式组合，得到关于催化裂化反应器模型的微分方程组；
求解所述微分方程组得到所述反应网络内多种化学原料分子的浓度转化规律信息，并从所述浓度转化规律信息提取的浓度分布信息。
在第一方面的一种可能的实现方式中，在所述利用所述模型数据库进行模型训练，得到神经网络代理模型的步骤后，所述方法还包括：
优化算法对所述神经网络代理模型的输入参数进行全局优化，直到所述神经网络代理模型的目标函数的满足预设的函数操作条件。
在第一方面的一种可能的实现方式中，所述优化算法，包括：粒子群算法、遗传算法、模拟退火优化算法。
在第一方面的一种可能的实现方式中，所述基于所述分子级反应机理模型，计算关于产品收率和性质在若干个操作参数下的计算算例，包括：
确定所述分子级反应机理模型的反应动力学参数，基于所述反应动力学参数设定确定模型输入变量；
将所述模型输入变量等分为若干份得到输入数据集；
按照分布式计算方式，在若干个不同的操作参数下将所述输入数据集输入至所述分子级反应机理模型进行计算，得到关于产品收率和性质的计算算例。
在第一方面的一种可能的实现方式中，所述利用所述模型数据库进行模型训练，得到神经网络代理模型，包括：
通过所述模型数据库建立误差反向传播的BP神经网络；
利用所述模型数据库对所述的BP神经网络进行训练，得到神经网络代理模型。
本发明实施例的第二方面提供了一种基于分子级反应机理的化工产物特性预测系统，所述系统包括：
构建模块，用于利用表征方法构建关于催化裂化过程的分子级反应机理模型；
计算模块，用于基于所述分子级反应机理模型，计算关于产品收率和性质在若干个操作参数下的计算算例，并采用所述计算算例建立关于操作参数与产物收率和性质的模型数据库；
预测模块，用于利用所述模型数据库进行模型训练，得到神经网络代理模型，并采用所述神经网络代理模型预测化工产物特性，所述化工产物特性包括：产物收率和产物性质。
相比于现有技术，本发明实施例提供的一种基于分子级反应机理的化工产物特性预测方法及系统，其有益效果包括如下几点：
(1)基于表征方法构建了分子级的催化裂化过程机理模型，能够对产物收率和性质进行准确预测，相比传统的集总模型，分子级模型具有更加准确的预测精度、更广泛的预测范围，并具有良好的外延性，使用更加灵活；
(2)采用分布式计算资源并利用机理模型离线生成大量案例，大大节约了计算时间，并对炼厂可能出现的各种工况进行模拟，结合机器学习技术，构建产物收率和性质的代理模型，既提高了模型的现场运算速度，又保证模型能够反映催化裂化过程的本质机理；
(3)结合优化算法对工况进行优化，为实时优化系统提供精确可靠的过程优化模型。
附图说明
图1是本发明一实施例提供的一种基于分子级反应机理的化工产物特性预测方法的流程示意图；
图2是本发明一实施例提供的原料分子库的示意图；
图3是本发明一实施例提供的反应网络的示意图；
图4是本发明一实施例提供的参数校正的操作流程图；
图5是本发明一实施例提供的神经网络代理模型的结构示意图；
图6是本发明一实施例提供的汽油收率预测误差的示意图；
图7是本发明一实施例提供的柴油收率预测误差的示意图；
图8是本发明一实施例提供的模型优化的结果示意图；
图9是本发明一实施例提供的一种基于分子级反应机理的化工产物特性预测方法的操作流程图；
图10是本发明一实施例提供的一种基于分子级反应机理的化工产物特性预测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
催化裂化是原油二次加工中最重要的加工过程，在炼油厂中占有举足轻重的地位，是柴油、汽油和液化气的主要生产手段。催化裂化过程是指重质油在提升管反应器与再生催化剂作用，发生裂化的工业过程。裂化反应机理复杂，气态的原料油气在雾化蒸汽作用下与固体粒子催化剂以流态化形式接触，是一个极其复杂的热力学和反应动力学系统。由于催化裂化工艺的改进可以带来显著的经济效益提升，结合计算机模拟以加快催化裂化工艺开发，是目前主要的研究方向。对催化裂化过程进行计算机模拟的研究中，针对过程的关键单元反应再生系统，进行化学反应机理模型的建立，是催化裂化过程建模的重点。
催化裂化反应再生系统伴随着复杂的物理化学反应和相变过程，在建模过程中，既要考虑过程本质变化，也需要考虑反映过程变量之间主要的、关键的关联性。为此，其中一种常用的催化裂化过程模型主要以集总动力学模型为主，工业界先后开发了3集总、6集总、10集总、11集总、13集总、14集总、21集总、32集总等集总模型，集总模型可以反映催化裂化过程的主要规律，从而能根据集总模型反映的催化裂化对产物的特性进行预测，以便用户根据预测结果进行催化裂化调整和管理。
但目前常用的方法有如下技术问题：集总模型仅以动力学特性相似原则划分组分，模型计算出的产率和产物分布只能以混合物的总体性质呈现，且预测精度差、外延性差，难以适用于不同的催化裂化装置；集总模型将大量分子当成一种集总，不能区分集总内部分子的差异，也不能表达集总内部的反应，模拟预测的结果相对粗放，随着炼厂对精细加工程度的要求越来越高，目前常用的集总模型难以满足现有的精细加工需求。
为了解决上述问题，下面将通过以下具体的实施例对本申请实施例提供的一种基于分子级反应机理的化工产物特性预测方法进行详细介绍和说明。
参照图1，示出了本发明一实施例提供的一种基于分子级反应机理的化工产物特性预测方法的流程示意图。
其中，作为示例的，所述基于分子级反应机理的化工产物特性预测方法，可以包括：
S11、利用表征方法构建关于催化裂化过程的分子级反应机理模型。
所述表征方法可以是键电矩阵法、最大信息熵法、结构导向集总法(SOL方法)、分子同系物矩阵法等。其中，通过表征方法来构建分子、编写反应规则和构建反应网络，利于复杂反应系统的编程实现，尤其在描述分子炼油过程有独特优势。SOL方法通过用向量来表示石油分子，向量中的每一个元素都代表一种石油分子结构，元素的数量代表该种基团在分子中的数量，这种方法是分子尺度上的集总，有利于降低模型的复杂性，将体系中的分子由数以百万计减少到几千。
分子级反应机理模型能有效提升计算精度，能反映的信息更加详细，对原料的适应范围更广，直接用于现场的实时优化。
其中，作为示例的，步骤S11可以包括以下子步骤：
S111、在获取化学原料的实验分析数据后，以所述实验分析数据为表征基础并在原料分子核心结构上添加侧链构建关于化学原料的原料分子库。
参照图2，示出了本发明一实施例提供的原料分子库的示意图。
可以以实验分析数据为基础，通过在原料分子核心结构上添加侧链的方式，构建原料分子库，具体如图2所示。
实验分析数据可以是化学原料的实验室内进行分析时的数据。
核心结构的确定和侧链添加策略依赖于原料的实际分子组成和结构，这需要对原料进行实验分析以获得信息，因此实验表征对构建准确可靠的原料分子库非常重要。
需要说明的是，在构建原料分子核心和添加侧链时，可以结合实验分析的方法，针对催化裂化的进料特点，选取具有代表性的催化裂化原料，如减压蜡油、减压渣油、催化油浆，送到相应的研究机构进行分析
通过构建原料分子库、原料分子浓度解析、编写反应规则并生成反应网络、建立反应器模型、产物切割分离、物性计算、模型参数校正等步骤来建立分子级的反应器机理模型。
S112、基于所述原料分子库的分子组成构建关于原料分子核心结构的反应网络。
在一实施例中，利用计算机辅助技术对原料分子循环应用所有反应规则，利用各项规则能反映原料分子核心结构，并自动生成反应网络，从而能以反应网络为基础构建模型。
其中，作为示例的，步骤S112可以包括以下子步骤：
S1121、基于所述原料分子库的原料宏观性质对所述原料分子库的分子组成进行反演分析得到分子信息。
在一实施例中，可以分子级反应机理模型需要输入原料分子浓度，现有的仪器分析手段还不能直接分析催化裂化原料的分子组成，因此需要建立一种根据实验分析数据关联分子浓度的策略，即从宏观性质到分子组成的构建方法。不同的实验分析方法都给出了分子组成的某个侧面信息，每一种方法得到的信息就像分子组成的一个碎片，通过对碎片的拼接就可以间接推断出完整的分子信息，这种拼接的方法就是分子浓度组成构建技术。
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。催化裂化原料的分子浓度解析使用了该套专利算法，可以根据进料宏观物性如密度、残碳、硫含量、氮含量、族组成、馏程温度等解析成详细分子组成。
S1122、利用预设的原料分子应用反应规则将所述分子信息转换生成反应网络，所述预设的原料分子应用反应规则为基于催化裂化反应的正碳离子机理对不同的反应家族建立的反应规则。
参照图3，示出了本发明一实施例提供的反应网络的示意图。
催化裂化反应机理十分复杂，体系的反应网络也十分庞大，在建立反应规则时以正碳离子的链反应机理为基础，主要考虑在分子筛催化剂酸性中心进行的非经典五配位正碳离子的α断裂以及三配位经典正碳离子β断裂、异构、氢转移、缩合等反应。根据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成规则，借助于SOL进行数学逻辑运算，针对每一类反应各编写一类规则函数，包括裂化、开环、异构、氢转移、缩合等主要反应的28大类反应规则，然后利用计算机辅助技术对原料分子循环应用所有反应规则，自动生成反应网络。具体如图3所示。
S113、对所述反应网络依次进行简化、浓度计算和参数调整，得到分子级反应机理模型。
可以先对反应网络进行简化，然后利用简化后的反应网络进行浓度计算，得到分子浓度相关的数据，最后利用计算得到的分子浓度相关的数据对网络进行参数调整，得到分子级反应机理模型。
其中，作为示例的，步骤S113可以包括以下子步骤：
S1131、对所述反应网络的反应物浓度维度分布进行简化处理，并求解所述反应网络的反应器微分方程组得到包含多种化学原料分子的浓度分布信息。
反应网络(又可以称为：反应器模型)，可以将催化裂化提升管的反应器假设为理想活塞流反应器，并对反应物浓度维度分布做简化处理，基于装置设计参数，构建反应器质量传递和热量传递模型，然后求解反应器微分方程组，计算分子浓度分布。
反应网络主要解决反应器内物料的质量传递与反应速率的结合问题，同时考虑热量传递和动量传递的影响。催化裂化反应在提升管反应器中进行，提升管反应器具有大的长径比，气体流速高，停留时间短。反应原料与向上提升的催化剂接触后快速汽化，随后在与催化剂一同向上提升过程中发生气固催化反应；催化剂向上提升过程中因积碳而逐渐失活，失活后经再生器烧炭循环再生。
催化裂化过程机理十分复杂，为了模拟真实的提升管催化裂化过程，需要考虑到反应器及催化剂对反应的影响因素。而由于分子级机理模型本身具有一定的计算复杂性，为了在精确性和实用性之间求取平衡，对反应器模型作适当简化考虑
其中，作为示例的，步骤S1131可以包括以下子步骤：
S11311、构建关于所述反应网络的质量传递微分方程和关于催化剂循环量的关联式。
S11312、将所述质量传递微分方程与所述关联式组合，得到关于催化裂化反应器模型的微分方程组。
S11313、求解所述微分方程组得到所述反应网络内多种化学原料分子的浓度转化规律信息，并从所述浓度转化规律信息提取的浓度分布信息。
具体地，提升管催化裂化反应器实际上为循环流化床反应器，进料存在气固两相。而当前关于催化裂化提升管反应器的计算中，通常将其假设为一维拟均相反应器，假设气固相在提升管反应器的停留时间相同。由于气流速度较高基本忽略返混情况，因而反应组分浓度只是提升管长度的函数。
由于提升管反应器的长度远大于内径，通常可以忽略组分浓度、温度、气体流速沿径向的分布，可将整个反应器看作是理想平推流反应器。
所有的反应均发生在相同的活性中心。
不考虑提升管反应器的温度梯度分布，因考虑温度分反应器微分方程的计算量将呈级数增加，耗时巨大，降低应用性能，催化裂化整体是一个吸热过程，用平均温度描述整个过程不影响主要规律的计算。
提升管内气速很快，压降较小，为了计算方便假设压力在反应器内恒定。
综上，将整个提升管催化裂化反应器可以假设为理想平推流反应器，根据质量守恒方程，反应网络(又可以称为：反应器模型)可以描述为：质量传递微分方程。
质量传递微分方程的推导具体如下：
根据传递理论：流入控制体的组分A的质量流率-流出控制体的组分A的质量流率+控制体内由化学反应引起组分A的生成速率＝控制体内组分A的积累速率。
平推流反应器里，忽略扩散，稳态反应器忽略时间影响，质量传递方程可简化为：
将上述方程转换为按照质量分数描述的形式：
上式中，yi：组分i质量分数；z：反应器长度，m；Ac：反应器横截面积，m2；Mi:组分i摩尔质量，g/mol；Qm：总进料流量，t/h；ρb：催化剂床层密度，kg/m3；ri：组分i在单位质量催化剂上的总反应速率，mol/(s·kg cat)；
假设单位质量催化剂上的活性位点密度恒定。
单位质量催化剂上反应速率方程ri的推导：
采用Langmuir-Hinshelwood-Hougen-Watson动力学方程形式，考虑吸附的影响，以表面反应为控制步骤。Langmuir吸附理论，组分i吸附态浓度θi：
重油催化裂化过程重芳烃吸附起到主导作用，忽略其它轻物质的吸附影响：
上式中，pi：组分i在体系中的压力；KAR：重芳烃吸附参数；kj'：综合反应速率常数，由上节介绍的定量结构活性关联(QSRC)获取；rij：组分i参与的第j个反应的反应速率；νij：组分i在第j个反应中的计量系数；ri：组分i在单位质量催化剂上的总反应速率。
其中，催化剂传层密度推导：
上式中，ρb：催化剂床层密度，单位为：kg/m3；ρc：催化剂颗粒密度，单位为：kg/m3；ρg：反应油气密度，单位为：kg/m3；cor：剂油比。
在实际运行的工厂中剂油比不可直接获得，需要计算催化剂循环量，催化剂循环量采用滑阀压降法进行关联。
Δp＝7.65×10-7G2/ρA2
Δp：再生滑阀压降，kg/cm2；
ρ：滑阀上部斜管密度，kg/m3；
A：滑阀流通面积m2；
G：催化剂循环量，t/h。
将上述介绍的质量传递方程与各种关联式组合，即可得到完整的催化裂化反应器模型，这是一个庞大的微分方程组，并且是带有刚性的微分方程组，通过微分方程求解器求取微分方程组即可计算反应器内各分子的浓度转化规律，获取提升管出口的产物分子浓度，得到浓度分布信息。
S1132、根据所述化学原料分子的质量，将所述分子浓度分布信息拆分为多个分子浓度信息，并利用预设的物性计算模型计算每个所述分子浓度信息对应的物性数值，每个所述分子浓度信息对应一种化学原料分子。
具体地，浓度分布信息可以是化工产物油气的混合分子的浓度信息，可以对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、焦炭等各流股产品的分子浓度信息。
然后可以利用预设的物性计算模型，计算汽油、柴油等各个产品对应的各项物性。具体的物性如下表格所示：
| 催化柴油性质 | 数值样例 | 稳定汽油性质 | 数值样例 |
| 50％(℃) | 271 | 10％点(℃) | 46.2 |
| 90％(℃) | 348 | 50％点(℃) | 86.8 |
| 95％(℃) | 360 | 90％点(℃) | 171.3 |
| 十六烷值 | 32 | 终馏点(℃) | 201.6 |
| 凝点(℃) | -5 | 芳烃含量(wt％) | 20 |
| 冷滤点(℃) | -1 | 环烷烃含量(wt％) | 19 |
| 密度(20℃，kg/m3) | 845 | 烷烃含量(wt％) | 29 |
| 粘度(mm2/s) | 3.72 | 烯烃含量(wt％) | 32 |
| 密度(20℃，kg/m3) | 762 | ||
| 辛烷值(RON) | 91 |
S1133、利用多个所述物性数值对所述反应网络的模型参数进行校正，得到分子级反应机理模型。
最后，基于上述计算的实际工业数据对反应网络的模型参数进行校正，模型中的参数主要为催化裂化的反应动力学参数，其决定了各个组分在催化裂化反应器中的反应速率；物质在催化裂化反应器中的反应速率由许多现场条件决定，如原料性质、装置外部条件、使用的催化剂、装置的工艺流程、工艺方法、负荷率、操作水平等，所以需要根据现场情况对反应动力学参数进行标定，根据现场的多组工况，在确定好原料性质、使用的催化剂、工艺流程、操作条件、产品分布的情况下，对模型中的反应动力学参数进行校正，完成催化裂化过程分子级反应机理模型构建，得到分子级反应机理模型。
参照图4，示出了本发明一实施例提供的参数校正的操作流程图。
在一可选的实施例中，校正的具体操作可以为：
可以读取工况数据，得到现场进料和操作数据；然后选取参数初值，并设置参数校正目标函数和容差值，基于设置的目标函数和容差值进行参数校正；若算法不收敛，就重新选取参数初值或重新设置参数校正目标函数和容差值；若算法收敛，得到完整的动力学参数。
S12、基于所述分子级反应机理模型，计算关于产品收率和性质在若干个操作参数下的计算算例，并采用所述计算算例建立关于操作参数与产物收率和性质的模型数据库。
计算算例可以是利用分布式计算资源，离线计算不同进料性质和操作条件下的产品收率和性质产生的算例，可以进行多次计算产生海量的计算算例。
由于每个计算算例均是进料性质和操作条件下的产品收率和性质产生的算例，可以组合海量的计算算例，从而生成关于操作参数与产物收率和性质的模型数据库。
在一可选的实施例中，步骤S12可以包括以下子步骤：
S121、确定所述分子级反应机理模型的反应动力学参数，基于所述反应动力学参数设定确定模型输入变量。
S122、将所述模型输入变量等分为若干份得到输入数据集。
S123、按照分布式计算方式，在若干个不同的操作参数下将所述输入数据集输入至所述分子级反应机理模型进行计算，得到关于产品收率和性质的计算算例。
在确定好分子级反应机理模型的反应动力学参数后，需要根据工艺知识以及现场装置运行情况，确定分子级反应机理模型中每一个输入变量的上限和下限，根据变量变化范围和计算精度要求，将每一个输入变量等分为若干份，得到一个可选的输入数据集；
基于分子级反应机理模型，利用分布式的计算资源，计算在不同输入(进料性质、操作条件)下的产品收率以及产品性质，产生海量的计算算例，将海量的计算算例组合形成一定规模的数据库，得到模型数据库，使得模型数据库可以能够涵盖所有的变量范围。
S13、利用所述模型数据库进行模型训练，得到神经网络代理模型，并采用所述神经网络代理模型预测化工产物特性，所述化工产物特性包括：产物收率和产物性质。
在一实施例中，可以利用模型数据库，采用机器学习算法对数据集进行训练，得到能够反映实际工况的产品收率和性质的神经网络代理模型，再使用神经网络代理模型进行预测，得到化工产物特性，具体可以包括：产物收率和产物性质。
参照图5，示出了本发明一实施例提供的神经网络代理模型的结构示意图。
在一可选的实施例中，步骤S13可以包括以下子步骤：
S131、通过所述模型数据库建立误差反向传播的BP神经网络。
S132、利用所述模型数据库对所述的BP神经网络进行训练，得到神经网络代理模型。
具体地，可以通过模型数据库建立了基于神经网络的机器学习算法，其中的输入变量包括原料的性质、进料负荷、蜡渣比例、预热温度、反应温度、反应压力、剂油比、再生催化剂温度等，与机理模型保持一致，输出包括产品收率以及产品性质。将模型数据库随机划分为训练集、验证集和测试集，采用误差反向传播的BP神经网络(一种机器学习算法)进行训练，构建原料油性质、操作工况与产物收率和性质之间的关联模型，则得到神经网络代理模型。具体如图5所示。
在此基础上，可以验证该训练模型的合理性，代理模型需与催化裂化的机理变化规律高度符合预设要求。
参照图6-7，分别示出了本发明一实施例提供的汽油收率预测误差的示意图和本发明一实施例提供的柴油收率预测误差的示意图。
训练后的模型的预测准确率较低，具体如图6-7所示，为了能提升模型预测的精度，在其中一种的实施例中，在所述利用所述模型数据库进行模型训练，得到神经网络代理模型的步骤后，所述方法还包括：
S21、优化算法对所述神经网络代理模型的输入参数进行全局优化，直到所述神经网络代理模型的目标函数的满足预设的函数操作条件。
在其中一种的实施例中，所述优化算法，包括：粒子群算法、遗传算法、模拟退火优化算法。
可以针对不同工况(多产汽油工况、多产液化气工况、多产柴油工况)对代理模型的输入参数进行全局优化，得到满足目标函数的操作条件，包括最优的操作温度、最佳的进料的条件、最合适的剂油比等，目标函数可针对收率、性质指标、经济效益等方面进行设定；
优化算法中，由于基于BP神经网络的代理模型是一种黑箱机器学习算法，其表达式如下所示。
y＝f(x1，x2，x3，...，xn)
其中，y为代理模型预测项，其包括各产品的收率以及相关物性；x为输入模型的输入，包括进料性质、进料负荷、蜡渣比例、预热温度、反应温度、反应压力、剂油比、再生催化剂温度等。
优化模型中，针对多产汽油、柴油、液化气的优化目标，目标函数的表达式如下所示。
f＝-yi
其中，f是目标函数值，yi为汽油、柴油、液化气其中一项的收率，由于该优化方法中的算法是将优化函数最小化，所以在yi前用一个负号进行表示。
针对总液收最大的优化目标，目标函数的表达式如下所示。
f＝-(ygasoline+ylpg+ydiesel)
其中，f是目标函数值，ygasoline为汽油收率，ylpg为液化气收率，ydiesel为柴油收率。
针对总效益最高的优化目标，目标函数的表达方式如下所示。
f＝∑Product-∑Feed-∑Utility
其中，Product指的是所有装置产物价值的总和，Feed指的是所有装置进料价值的总和，Utility指的是所有公用工程消耗的总和。
同时，在优化过程中，需要同时考虑产品与装置的各个约束，催化裂化装置中需要考虑到装置本身的热平衡、压力平衡约束以及生产出的汽油、柴油等高价值产品的性质约束。
基于机理模型的代理模型相比起纯机理模型可以快速地给出预测以及优化结果，并同时符合催化裂化的反应机理规律，是一种机理模型与机器学习相结合的技术，其优化结果可为实际催化裂化装置生产提供操作优化指导，在现场加工需求变化时及时提供操作优化策略；同时，代理模型还可以预测不同进料性质、不同操作条件下催化裂化装置产品的收率以及性质，在现场装置切换原料、切换工况前提前模拟，避免工况波动带来的损失。
参照图8，示出了本发明一实施例提供的模型优化的结果示意图。优化后的模型如图8所示。
参照图9，示出了本发明一实施例提供的一种基于分子级反应机理的化工产物特性预测方法的操作流程图。
第一步，可以以某炼厂催化裂化装置为基础，构建分子级的催化裂化装置过程模型，具体步骤可以包括：
1.1、构建原料分子库。以SOL方法为基础，通过在核心结构的基础上添加侧链的方法，构建一系列SOL分子集，并以碳数和馏程等实验分析信息对分子集进行约束，保证构建的分子符合常理，形成原料的分子数据库；
1.2、原料分子浓度关联计算。不同的分析方法能给出原料分子不同的侧面信息，不同的分析信息就像分子组成的一个碎片，通过实验分析的手段对分子组成的碎片信息进行检测，把不同的碎片信息进行拼接，可以得到原料完整的分子组成。
1.3、构建反应规则，生成反应网络。以催化裂化反应的正碳离子机理为基础，针对不同的反应构建不同的反应物选择规则和产物的生成规则，包括裂化、开环、异构、氢转移、缩合等28大类反应规则。通过SOL方法进行逻辑运算，通过编写计算机程序，进行数学计算，自动生成反应网络。
1.4、建立反应器模型。本例中所模拟的催化裂化装置反应器为提升管反应器，通过收集反应器的工业设计参数，并综合考虑反应器和催化剂对反应的影响，对反应物的浓度维度分布作简化考虑，构建适用于工业装置的分子级反应器模型。
1.5、采用基于沸点切割的简易切割模型，并考虑重叠因子的影响，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、焦炭等各流股产品；
1.6、通过物性计算模型，计算催化汽油和催化柴油的各项物性；
1.7、通过实际工业数据对反应器模型的参数进行校正，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)、操作参数(DCS数据)等，完成分子级反应器模型的构建。
第二步，模型数据库构建。第一步所建立的催化裂化机理模型，输入为：原料油性质、进料流量、原料预热温度、反应温度、反应压力、剂油比、预提升干气量、提升蒸汽量、再生催化剂温度；输出为：汽油、柴油、液化气、干气、焦炭、油浆收率，汽油、柴油、液化气性质。基于以上输入和输出，利用分布式计算资源，通过机理模型计算不同进料情况和操作工况下产物的收率和性质，并将计算结果添加到数据库中。如下表所示，以反应温度和产物收率为例，展示了当进料性质一定，反应温度发生变化时，机理模型模拟的各产物收率变化情况。
产物收率随反应温度变化表
通过以上方法用机理模型对不同的工况进行模拟，从而构建模型数据库。
第三步、BP神经网络构建产物收率和性质代理模型。经第一步和第二步得到了催化裂化过程的分子级机理模型和对应的模型数据库，以此为基础构建包含一个隐含层的BP神经网络，如图2所示，输入输出与机理模型的输入和输出相对应，将模型数据库随机划分为训练集、测试集和验证集，采用梯度下降法进行参数学习，完成产物收率和性质的代理预测模型，在此基础上对该预测模型的合理性进行了验证，合理性的验证方法是通过改变关键操作参数，如反应温度以及剂油比，观察产物收率变化趋势，如图5所示，汽油收率随反应温度的升高先增大后减小，有明显拐点，符合催化裂化的机理；剂油比也出现明显拐点，在7左右出现最大值，符合机理变化规律；在此基础上，进一步绘制了剂油比与反应温度的三维图，其结果也符合催化裂化机理。
第四步、建立优化模型。根据产品的市场价格对产品价值进行实时更新，将产品价格看作产物的价值系数，收率与价值系数的乘积即为产品加权价值函数，根据上文构建的预测模型，通过优化算法，得到产品加权价值最大时所对应的最佳操作参数，完成优化。进一步地，优化目标可选为汽油收率最佳、总液收最佳等，可根据炼厂的需求进行灵活设定。最佳操作参数的寻优可采用粒子群算法、遗传算法等优化方法中的一种。
通过上述步骤，构建可用于RTO实时优化系统的催化裂化过程模型。将本发明应用于某炼厂的催化裂化装置，对一个月的工况进行预测和优化，如图3所示，汽油收率的平均预测误差小于1％，柴油的平均预测误差小于3％，汽柴油关键的性质指标平均预测误差小于1％，均达到的了非常高的预测精度。优化模型根据进料信息，实时对操作参数进行优化调整。以优化目标为汽油收率最佳为例，如图4所示，汽油收率平均增加了1.33％，油浆收率平均下降了1.47％，为炼厂所带来的经济利润提升超过800万元/年。
在本实施例中，本发明实施例提供了一种基于分子级反应机理的化工产物特性预测方法，其有益效果在于：本发明可以从分子层次对催化裂化过程进行模拟，利用表征方法来构建催化裂化过程分子级反应机理的模型，再利用分子级机理模型对催化裂化的产物特性进行预测，通过模型向量中的每一个元素代表一种石油分子结构，使得模型能更加详细地反映催化裂化的内部信息，从而能有效提升预测的精度，以满足精细加工的需求。
本发明实施例还提供了一种基于分子级反应机理的化工产物特性预测系统，参见图10，示出了本发明一实施例提供的一种基于分子级反应机理的化工产物特性预测系统的结构示意图。
其中，作为示例的，所述基于分子级反应机理的化工产物特性预测系统可以包括：
构建模块101，用于利用表征方法构建关于催化裂化过程的分子级反应机理模型；
计算模块102，用于基于所述分子级反应机理模型，计算关于产品收率和性质在若干个操作参数下的计算算例，并采用所述计算算例建立关于操作参数与产物收率和性质的模型数据库；
预测模块103，用于利用所述模型数据库进行模型训练，得到神经网络代理模型，并采用所述神经网络代理模型预测化工产物特性，所述化工产物特性包括：产物收率和产物性质。
可选地，所述构建模块，还用于：
在获取化学原料的实验分析数据后，以所述实验分析数据为表征基础并在原料分子核心结构上添加侧链构建关于化学原料的原料分子库；
基于所述原料分子库的分子组成构建关于原料分子核心结构的反应网络；
对所述反应网络依次进行简化、浓度计算和参数调整，得到分子级反应机理模型。
可选地，所述构建模块，还用于：
基于所述原料分子库的原料宏观性质对所述原料分子库的分子组成进行反演分析得到分子信息；
利用预设的原料分子应用反应规则将所述分子信息转换生成反应网络，所述预设的原料分子应用反应规则为基于催化裂化反应的正碳离子机理对不同的反应家族建立的反应规则。
可选地，所述构建模块，还用于：
对所述反应网络的反应物浓度维度分布进行简化处理，并求解所述反应网络的反应器微分方程组得到包含多种化学原料分子的浓度分布信息；
根据所述化学原料分子的质量，将所述分子浓度分布信息拆分为多个分子浓度信息，并利用预设的物性计算模型计算每个所述分子浓度信息对应的物性数值，每个所述分子浓度信息对应一种化学原料分子；
利用多个所述物性数值对所述反应网络的模型参数进行校正，得到分子级反应机理模型。
可选地，所述构建模块，还用于：
构建关于所述反应网络的质量传递微分方程和关于催化剂循环量的关联式；
将所述质量传递微分方程与所述关联式组合，得到关于催化裂化反应器模型的微分方程组；
求解所述微分方程组得到所述反应网络内多种化学原料分子的浓度转化规律信息，并从所述浓度转化规律信息提取的浓度分布信息。
可选地，所述系统还包括：
优化模块，用于优化算法对所述神经网络代理模型的输入参数进行全局优化，直到所述神经网络代理模型的目标函数的满足预设的函数操作条件。
可选地，所述优化算法，包括：粒子群算法、遗传算法、模拟退火优化算法。
可选地，所述计算模块，还用于：
确定所述分子级反应机理模型的反应动力学参数，基于所述反应动力学参数设定确定模型输入变量；
将所述模型输入变量等分为若干份得到输入数据集；
按照分布式计算方式，在若干个不同的操作参数下将所述输入数据集输入至所述分子级反应机理模型进行计算，得到关于产品收率和性质的计算算例。
可选地，所述预测模块，还用于：
通过所述模型数据库建立误差反向传播的BP神经网络；
利用所述模型数据库对所述的BP神经网络进行训练，得到神经网络代理模型。
所属技术领域的技术人员可以清楚地了解到，为方便的描述和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
进一步的，本申请实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例所述的基于分子级反应机理的化工产物特性预测方法。
进一步的，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述实施例所述的基于分子级反应机理的化工产物特性预测方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于分子级反应机理的化工产物特性预测方法，其特征在于，所述方法包括：
利用表征方法构建关于催化裂化过程的分子级反应机理模型；
基于所述分子级反应机理模型，计算关于产品收率和性质在若干个操作参数下的计算算例，并采用所述计算算例建立关于操作参数与产物收率和性质的模型数据库；
利用所述模型数据库进行模型训练，得到神经网络代理模型，并采用所述神经网络代理模型预测化工产物特性，所述化工产物特性包括：产物收率和产物性质。
2.根据权利要求1所述的基于分子级反应机理的化工产物特性预测方法，其特征在于，所述利用表征方法构建关于催化裂化过程的分子级反应机理模型，包括：
在获取化学原料的实验分析数据后，以所述实验分析数据为表征基础并在原料分子核心结构上添加侧链构建关于化学原料的原料分子库；
基于所述原料分子库的分子组成构建关于原料分子核心结构的反应网络；
对所述反应网络依次进行简化、浓度计算和参数调整，得到分子级反应机理模型。
3.根据权利要求2所述的基于分子级反应机理的化工产物特性预测方法，其特征在于，所述基于所述原料分子库的分子组成构建关于原料分子核心结构的反应网络，包括：
基于所述原料分子库的原料宏观性质对所述原料分子库的分子组成进行反演分析得到分子信息；
利用预设的原料分子应用反应规则将所述分子信息转换生成反应网络，所述预设的原料分子应用反应规则为基于催化裂化反应的正碳离子机理对不同的反应家族建立的反应规则。
4.根据权利要求2所述的基于分子级反应机理的化工产物特性预测方法，其特征在于，所述对所述反应网络依次进行简化、浓度计算和参数调整，得到分子级反应机理模型，包括：
对所述反应网络的反应物浓度维度分布进行简化处理，并求解所述反应网络的反应器微分方程组得到包含多种化学原料分子的浓度分布信息；
根据所述化学原料分子的质量，将所述分子浓度分布信息拆分为多个分子浓度信息，并利用预设的物性计算模型计算每个所述分子浓度信息对应的物性数值，每个所述分子浓度信息对应一种化学原料分子；
利用多个所述物性数值对所述反应网络的模型参数进行校正，得到分子级反应机理模型。
5.根据权利要求4所述的基于分子级反应机理的化工产物特性预测方法，其特征在于，所述求解所述反应网络的反应器微分方程组得到包含多种化学原料分子的浓度分布信息，包括：
构建关于所述反应网络的质量传递微分方程和关于催化剂循环量的关联式；
将所述质量传递微分方程与所述关联式组合，得到关于催化裂化反应器模型的微分方程组；
求解所述微分方程组得到所述反应网络内多种化学原料分子的浓度转化规律信息，并从所述浓度转化规律信息提取的浓度分布信息。
6.根据权利要求1所述的基于分子级反应机理的化工产物特性预测方法，其特征在于，在所述利用所述模型数据库进行模型训练，得到神经网络代理模型的步骤后，所述方法还包括：
优化算法对所述神经网络代理模型的输入参数进行全局优化，直到所述神经网络代理模型的目标函数的满足预设的函数操作条件。
7.根据权利要求6所述的基于分子级反应机理的化工产物特性预测方法，其特征在于，所述优化算法，包括：粒子群算法、遗传算法、模拟退火优化算法。
8.根据权利要求1-7任意一项所述的基于分子级反应机理的化工产物特性预测方法，其特征在于，所述基于所述分子级反应机理模型，计算关于产品收率和性质在若干个操作参数下的计算算例，包括：
确定所述分子级反应机理模型的反应动力学参数，基于所述反应动力学参数设定确定模型输入变量；
将所述模型输入变量等分为若干份得到输入数据集；
按照分布式计算方式，在若干个不同的操作参数下将所述输入数据集输入至所述分子级反应机理模型进行计算，得到关于产品收率和性质的计算算例。
9.根据权利要求1-7任意一项所述的基于分子级反应机理的化工产物特性预测方法，其特征在于，所述利用所述模型数据库进行模型训练，得到神经网络代理模型，包括：
通过所述模型数据库建立误差反向传播的BP神经网络；
利用所述模型数据库对所述的BP神经网络进行训练，得到神经网络代理模型。
10.一种基于分子级反应机理的化工产物特性预测系统，其特征在于，所述系统包括：
构建模块，用于利用表征方法构建关于催化裂化过程的分子级反应机理模型；
计算模块，用于基于所述分子级反应机理模型，计算关于产品收率和性质在若干个操作参数下的计算算例，并采用所述计算算例建立关于操作参数与产物收率和性质的模型数据库；
预测模块，用于利用所述模型数据库进行模型训练，得到神经网络代理模型，并采用所述神经网络代理模型预测化工产物特性，所述化工产物特性包括：
产物收率和产物性质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211572596.3A CN115938502A (zh) | 2022-12-08 | 2022-12-08 | 一种基于分子级反应机理的化工产物特性预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211572596.3A CN115938502A (zh) | 2022-12-08 | 2022-12-08 | 一种基于分子级反应机理的化工产物特性预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115938502A true CN115938502A (zh) | 2023-04-07 |
Family
ID=86697287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211572596.3A Pending CN115938502A (zh) | 2022-12-08 | 2022-12-08 | 一种基于分子级反应机理的化工产物特性预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115938502A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116343912A (zh) * | 2023-05-26 | 2023-06-27 | 山东科技大学 | 生物信号通路中磷酸化系统的磷酸化活性预测方法及系统 |
-
2022
- 2022-12-08 CN CN202211572596.3A patent/CN115938502A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116343912A (zh) * | 2023-05-26 | 2023-06-27 | 山东科技大学 | 生物信号通路中磷酸化系统的磷酸化活性预测方法及系统 |
| CN116343912B (zh) * | 2023-05-26 | 2023-07-28 | 山东科技大学 | 生物信号通路中磷酸化系统的磷酸化活性预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| John et al. | Parameter estimation of a six-lump kinetic model of an industrial fluid catalytic cracking unit | |
| CN104789256B (zh) | 一种催化裂化装置的收率实时预测方法 | |
| CN104484714B (zh) | 一种催化重整装置收率的实时预测方法 | |
| Gupta et al. | A new generic approach for the modeling of fluid catalytic cracking (FCC) riser reactor | |
| Pan et al. | Just-in-time learning based soft sensor with variable selection and weighting optimized by evolutionary optimization for quality prediction of nonlinear processes | |
| CN111598306B (zh) | 一种炼油厂生产计划优化方法及装置 | |
| Sildir et al. | Dynamic modeling and optimization of an industrial fluid catalytic cracker | |
| CN115938502A (zh) | 一种基于分子级反应机理的化工产物特性预测方法及系统 | |
| Du et al. | An integrated methodology for the modeling of Fluid Catalytic Cracking (FCC) riser reactor | |
| CN101727609B (zh) | 基于支持向量机的热裂解产物收率的预测方法 | |
| CN107301264A (zh) | 一种催化裂化反应动力学参数的估算方法及系统 | |
| 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 | |
| Dong et al. | Robust optimal operation of continuous catalytic reforming process under feedstock uncertainty | |
| Li et al. | A new generic reaction for modeling fluid catalytic cracking risers | |
| Abghari et al. | Experimental and modeling study of a catalytic reforming unit | |
| Li et al. | An integrated data-driven modeling and gas emission constraints for large-scale refinery production planning framework | |
| CN116843052A (zh) | 一种炼厂生产计划的多目标优化方法 | |
| Sadighi et al. | Modeling and optimizing a vacuum gas oil hydrocracking plant using an artificial neural network | |
| F. Cuadros Bohorquez et al. | Surrogate-model-based, particle swarm optimization, and genetic algorithm techniques applied to the multiobjective operational problem of the fluid catalytic cracking process | |
| Li et al. | A bilevel data-driven framework for robust optimization under uncertainty–applied to fluid catalytic cracking unit | |
| Jiang et al. | Optimization of the countercurrent continuous reforming process based on equation-oriented modeling and the SQP algorithm | |
| Jiang et al. | Reactor model of counter-current continuous catalyst-regenerative reforming process toward real time optimization | |
| CN112342050B (zh) | 一种优化催化裂化装置轻油收率的方法、装置及存储介质 | |
| Yi et al. | Detailed description of the mathematical modeling of the catalytic naphtha reforming process dynamics | |
| Saghir et al. | Prediction and optimisation of gasoline quality in petroleum refining: The use of machine learning model as a surrogate in optimisation framework |
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 |