CN116579188B - 一种炼油化工工艺大数据智能分析方法和系统 - Google Patents
一种炼油化工工艺大数据智能分析方法和系统 Download PDFInfo
- Publication number
- CN116579188B CN116579188B CN202310853206.8A CN202310853206A CN116579188B CN 116579188 B CN116579188 B CN 116579188B CN 202310853206 A CN202310853206 A CN 202310853206A CN 116579188 B CN116579188 B CN 116579188B
- Authority
- CN
- China
- Prior art keywords
- viscosity
- value
- crude oil
- representing
- temperature
- 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
- 238000007670 refining Methods 0.000 title claims abstract description 56
- 238000001311 chemical methods and process Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 239000010779 crude oil Substances 0.000 claims abstract description 317
- 238000010438 heat treatment Methods 0.000 claims abstract description 162
- 239000003921 oil Substances 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 40
- 230000000694 effects Effects 0.000 claims description 26
- 230000001105 regulatory effect Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003889 chemical engineering Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 230000002277 temperature effect Effects 0.000 description 6
- 238000013519 translation Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 150000001336 alkenes Chemical class 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000003350 kerosene Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000005504 petroleum refining Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
-
- 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
Abstract
本发明提出了一种炼油化工工艺大数据智能分析方法和系统。所述炼油化工工艺大数据智能分析方法包括:提取炼油化工工艺的历史炼油记录;针对所述历史炼油记录提取历史炼油记录中的原油储存和预处理工艺阶段的加热参数数据;其中,所述加热参数数据包括加热温度及其对应的实际原油粘度和目标原油粘度;对所述加热参数数据进行大数据分析,获取初始优化温度设定模型;利用初始优化温度设定模型对应的原油粘度确定最终优化温度设定模型。所述系统包括与所述方法步骤对应的模块。
Description
技术领域
本发明提取了一种炼油化工工艺大数据智能分析方法和系统,属于炼油化工技术领域。
背景技术
炼油是将原油或其他油脂进行蒸馏不改变分子结构的一种工艺,由于在石油炼制过程中,原油必须经过一系列工艺加工过程,才能得到有用的各种石油产品。一般是指石油炼制,也就是把原油等裂解为符合内燃机使用的煤油、汽油、柴油、重油等燃料,并生产化工原料,如烯烃、芳烃等,现在的炼油厂一般为油化结合型炼厂。炼油工艺的初始阶段就是对原油进行除杂,形成初始液态原油进行储存。在原油进行储存过程中及其后续工艺的预处理过程中,需要对原油进行加热,使原油的粘度达到目标粘度,以备后续处理所用。然而,在现有环境中,由于原油粘度无法完全达到目标粘度,往往都是通过粘温函数在目标粘度下获取对应加热温度,使原油在加热温度下获得趋近于目标粘度的原油。但是,现有技术中的原油粘温函数常常导致函数获取的加热温度使对应实际原油粘度相较于目标原油粘度的差距较大,无法使实际原油粘度最大限度趋近于目标原油粘度的技术问题。
发明内容
本发明提供了一种炼油化工工艺大数据智能分析方法和系统,用以解决现有技术中的原油粘温函数常常导致函数获取的加热温度使对应实际原油粘度相较于目标原油粘度的差距较大,无法使实际原油粘度最大限度趋近于目标原油粘度的问题,所采取的技术方案如下:
一种炼油化工工艺大数据智能分析方法,所述炼油化工工艺大数据智能分析方法包括:
提取炼油化工工艺的历史炼油记录;
针对所述历史炼油记录提取历史炼油记录中的原油储存和预处理工艺阶段的加热参数数据;其中,所述加热参数数据包括加热温度及其对应的实际原油粘度和目标原油粘度;
对所述加热参数数据进行大数据分析,获取初始优化温度设定模型;
利用初始优化温度设定模型对应的原油粘度确定最终优化温度设定模型。
进一步地,对所述加热参数数据进行大数据分析,获取初始优化温度设定模型,包括:
将所述加热参数数据分为第一样本数据和第二样本数据;
提取所第一样本数据中的加热温度数值,并利用第一粘度模型获取所述第一样本数据中的加热温度数值对应的第一原油粘度数值;其中,所述第一粘度模型如下:
其中,S 1表示第一粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;T 1表示第一样本数据中的加热温度数值;
提取第二样本数据中的加热温度数值和其对应的实际原油粘度,对所述加热温度数值和其对应的实际原油粘度进行数据处理,形成第二粘度模型;其中,所述第二粘度模型如下:
其中,S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;T表示加热温度数值;S i 表示第二样本数据中的第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致;n表示第二样本数据中的样本总个数;T i 表示第二样本数据中的第i个加热温度;
将所述第一样本数据中的加热温度数值代入所述第二粘度模型中,利用第二粘度模型获取所述第一样本数据中的加热温度数值对应的第二原油粘度数值;
利用所述第一样本数据的第一原油粘度数值、第二原油粘度数值以及所述第一样本数据的实际原油粘度值,结合第二粘度模型获取初始优化温度设定模型。
进一步地,利用所述第一样本数据的第一原油粘度数值、第二原油粘度数值以及所述第一样本数据的实际原油粘度值,结合第二粘度模型获取初始优化温度设定模型,包括:
提取历史炼油记录中的与所述第一样本数据对应的目标原油粘度值,利用所述实际原油粘度值与目标原油粘度值做差的方式获取所述实际原油粘度值与目标原油粘度值之间的初始差值;
用所述第一原油粘度数值与目标原油粘度值做差的方式获取所述第一原油粘度数值与目标原油粘度值之间的第一差值;
用所述第二原油粘度数值与目标原油粘度值做差的方式获取所述第二原油粘度数值与目标原油粘度值之间的第二差值;
利用所述初始差值、第一差值和第二差值获取第一粘度误差函数;其中,所述第一粘度误差函数如下:
其中,E 1表示第一粘度误差;S mp 表示目标原有粘度值的均值;S c0p、S c1p和S c2p分别表示初始差值的均值、第一差值的均值和第二差值的均值;w 1、w 2和w3分别表示初始差值的均值、第一差值的均值和第二差值的均值对应的预设权重值;
利用所述第二粘度模型和第一粘度误差函数获取初始优化温度设定模型。
进一步地,利用所述第二粘度模型和第一粘度误差函数获取初始优化温度设定模型,包括:
提取所述第二粘度模型,并将所述第二粘度模型推导为以加热温度为获取量的模型形式;其中,所述模型形式如下:
将所述第一粘度误差函数合并入第二粘度模型中,获取初始优化温度设定模型;其中,所述初始优化温度设定模型如下:
其中,T c 表示初始优化温度;E 1表示第一粘度误差;S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;S i 表示历史炼油记录中第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致。
进一步地,利用初始优化温度设定模型对应的原油粘度确定最终优化温度设定模型,包括:
将所述加热参数数据中的第二样本数据的目标原油粘度代入至初始优化温度设定模型中,获取与所述目标原油粘度对应的第一温度数值;
将所述加热参数数据中的第二样本数据的实际原油粘度代入至初始优化温度设定模型中,获取与所述实际原油粘度对应的第二温度数值;
将所述第一温度数据和第二温度数值分别与所述第二样本数据中的加热温度数值进行比较,并结合第一粘度误差函数,获得第二粘度误差函数;其中,所述第二粘度误差函数如下:
其中,E 2表示第二粘度误差;T 1i 表示第i个第二样本数据的目标原油粘度对应的第一温度数值;T 2i 表示第i个第二样本数据的目标原油粘度对应的第二温度数值;E 1表示第一粘度误差;
将所述第二粘度误差函数与所述初始优化温度设定模型结合,获取最终优化温度设定模型,其中,所述最终优化温度设定模型如下:
其中,T z 表示最终优化温度;S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;S i 表示历史炼油记录中第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致;n表示第二样本数据中的样本总个数;E 2表示第二粘度误差。
一种炼油化工工艺大数据智能分析系统,所述炼油化工工艺大数据智能分析系统包括:
记录提取模块,用于提取炼油化工工艺的历史炼油记录;
参数提取模块,用于针对所述历史炼油记录提取历史炼油记录中的原油储存和预处理工艺阶段的加热参数数据;其中,所述加热参数数据包括加热温度及其对应的实际原油粘度和目标原油粘度;
初始模型获取模块,用于对所述加热参数数据进行大数据分析,获取初始优化温度设定模型;
优化模型获取模块,用于利用初始优化温度设定模型对应的原油粘度确定最终优化温度设定模型。
进一步地,初始模型获取模块,包括:
样本分割模块,用于将所述加热参数数据分为第一样本数据和第二样本数据;
第一粘度数值获取模块,用于提取所第一样本数据中的加热温度数值,并利用第一粘度模型获取所述第一样本数据中的加热温度数值对应的第一原油粘度数值;其中,所述第一粘度模型如下:
其中,S 1表示第一粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;T 1表示第一样本数据中的加热温度数值;
第二粘度模型获取模块,用于提取第二样本数据中的加热温度数值和其对应的实际原油粘度,对所述加热温度数值和其对应的实际原油粘度进行数据处理,形成第二粘度模型;其中,所述第二粘度模型如下:
其中,S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;T表示加热温度数值;S i 表示第二样本数据中的第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致;n表示第二样本数据中的样本总个数;T i 表示第二样本数据中的第i个加热温度;
第二粘度数值获取模块,用于将所述第一样本数据中的加热温度数值代入所述第二粘度模型中,利用第二粘度模型获取所述第一样本数据中的加热温度数值对应的第二原油粘度数值;
第一模型构建模块,用于利用所述第一样本数据的第一原油粘度数值、第二原油粘度数值以及所述第一样本数据的实际原油粘度值,结合第二粘度模型获取初始优化温度设定模型。
进一步地,所述第一模型构建模块包括:
初始差值获取模块,用于提取历史炼油记录中的与所述第一样本数据对应的目标原油粘度值,利用所述实际原油粘度值与目标原油粘度值做差的方式获取所述实际原油粘度值与目标原油粘度值之间的初始差值;
第一差值获取模块,用于用所述第一原油粘度数值与目标原油粘度值做差的方式获取所述第一原油粘度数值与目标原油粘度值之间的第一差值;
第二差值获取模块,用于用所述第二原油粘度数值与目标原油粘度值做差的方式获取所述第二原油粘度数值与目标原油粘度值之间的第二差值;
第一误差获取模块,用于利用所述初始差值、第一差值和第二差值获取第一粘度误差函数;其中,所述第一粘度误差函数如下:
其中,E 1表示第一粘度误差;S mp 表示目标原有粘度值的均值;S c0p、S c1p和S c2p分别表示初始差值的均值、第一差值的均值和第二差值的均值;w 1、w 2和w3分别表示初始差值的均值、第一差值的均值和第二差值的均值对应的预设权重值;
初始优化温度设定模型获取模块,用于利用所述第二粘度模型和第一粘度误差函数获取初始优化温度设定模型。
进一步地,初始优化温度设定模型获取模块包括:
推到模块,提取所述第二粘度模型,并将所述第二粘度模型推导为以加热温度为获取量的模型形式;其中,所述模型形式如下:
合并模块,用于将所述第一粘度误差函数合并入第二粘度模型中,获取初始优化温度设定模型;其中,所述初始优化温度设定模型如下:
其中,T c 表示初始优化温度;E 1表示第一粘度误差;S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;S i 表示历史炼油记录中第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致。
进一步地,所述优化模型获取模块包括:
第一温度数值获取模块,用于将所述加热参数数据中的第二样本数据的目标原油粘度代入至初始优化温度设定模型中,获取与所述目标原油粘度对应的第一温度数值;
第二温度数值获取模块,用于将所述加热参数数据中的第二样本数据的实际原油粘度代入至初始优化温度设定模型中,获取与所述实际原油粘度对应的第二温度数值;
第二误差获取模块,用于将所述第一温度数据和第二温度数值分别与所述第二样本数据中的加热温度数值进行比较,并结合第一粘度误差函数,获得第二粘度误差函数;其中,所述第二粘度误差函数如下:
其中,E 2表示第二粘度误差;T 1i 表示第i个第二样本数据的目标原油粘度对应的第一温度数值;T 2i 表示第i个第二样本数据的目标原油粘度对应的第二温度数值;E 1表示第一粘度误差;
最终优化温度设定模型获取模块,用于将所述第二粘度误差函数与所述初始优化温度设定模型结合,获取最终优化温度设定模型,其中,所述最终优化温度设定模型如下:
其中,T z 表示最终优化温度;S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;S i 表示历史炼油记录中第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致;n表示第二样本数据中的样本总个数;E 2表示第二粘度误差。
本发明有益效果:
本发明提出的一种炼油化工工艺大数据智能分析方法和系统通过对历史炼油化工工艺数据进行大数据分析,利用一种不同的原油粘度及温度关系模型对目标的原油粘度及温度关系模型进行校正的方式,提高目标的原油粘度及温度关系模型的模型精确性,进而提高目标的原油粘度及温度关系模型获得加热温度能够使原油在对应加热温度下的实际原油粘度最大限度趋近于目标原油粘度,最大限度缩小实际原油粘度和目标原油粘度之间的差距度。进而有效提高原油粘度的控制准确性。
附图说明
图1为本发明所述炼油化工工艺大数据智能分析方法的流程图;
图2为本发明所述炼油化工工艺大数据智能分析系统的系统框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提出了一种炼油化工工艺大数据智能分析方法,如图1所示,所述炼油化工工艺大数据智能分析方法包括:
S1、提取炼油化工工艺的历史炼油记录;
S2、针对所述历史炼油记录提取历史炼油记录中的原油储存和预处理工艺阶段的加热参数数据;其中,所述加热参数数据包括加热温度及其对应的实际原油粘度和目标原油粘度;
S3、对所述加热参数数据进行大数据分析,获取初始优化温度设定模型;
S4、利用初始优化温度设定模型对应的原油粘度确定最终优化温度设定模型。
其中,对所述加热参数数据进行大数据分析,获取初始优化温度设定模型,包括:
S301、将所述加热参数数据分为第一样本数据和第二样本数据;其中,所述第一样本数据与第二样本数据之间的数据比例优选为3:7;
S302、提取所第一样本数据中的加热温度数值,并利用第一粘度模型获取所述第一样本数据中的加热温度数值对应的第一原油粘度数值(即,将所述第一样本数据中的加热温度数值代入所述第一粘度模型中,获得第一原油粘度数值);其中,所述第一粘度模型如下:
其中,S 1表示第一粘度模型对应的原油动力粘度值;α表示预指数因子,代表原油粘度在温度趋近于无穷大时的预测值;β表示温度对粘度的影响指数,较大的β值意味着温度对粘度的影响更加显著,即温度变化对粘度变化的敏感性更高;λ表示调节因子,其与温度的平移参数相关。它表示温度对粘度的影响在不同温度范围内的平移和调整,并且,上述α、β和λ为经验参数,需要通过实验进行确定和校准;T 1表示第一样本数据中的加热温度数值;
S303、提取第二样本数据中的加热温度数值和其对应的实际原油粘度,对所述加热温度数值和其对应的实际原油粘度进行数据处理,形成第二粘度模型;其中,所述第二粘度模型如下:
其中,S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子,代表原油粘度在温度趋近于无穷大时的预测值;β表示温度对粘度的影响指数,较大的β值意味着温度对粘度的影响更加显著,即温度变化对粘度变化的敏感性更高;λ表示调节因子,其与温度的平移参数相关。它表示温度对粘度的影响在不同温度范围内的平移和调整,并且,上述α、β和λ为经验参数,需要通过实验进行确定和校准;T表示加热温度数值;S i 表示历史炼油记录中第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致;n表示第二样本数据中的样本总个数;
S304、将所述第一样本数据中的加热温度数值代入所述第二粘度模型中,利用第二粘度模型获取所述第一样本数据中的加热温度数值对应的第二原油粘度数值;
S305、利用所述第一样本数据的第一原油粘度数值、第二原油粘度数值以及所述第一样本数据的实际原油粘度值,结合第二粘度模型获取初始优化温度设定模型。
具体的,利用所述第一样本数据的第一原油粘度数值、第二原油粘度数值以及所述第一样本数据的实际原油粘度值,结合第二粘度模型获取初始优化温度设定模型,包括:
S3051、提取历史炼油记录中的与所述第一样本数据对应的目标原油粘度值,利用所述实际原油粘度值与目标原油粘度值做差的方式获取所述实际原油粘度值与目标原油粘度值之间的初始差值;
S3052、用所述第一原油粘度数值与目标原油粘度值做差的方式获取所述第一原油粘度数值与目标原油粘度值之间的第一差值;
S3053、用所述第二原油粘度数值与目标原油粘度值做差的方式获取所述第二原油粘度数值与目标原油粘度值之间的第二差值;
S3054、利用所述初始差值、第一差值和第二差值获取第一粘度误差函数;其中,所述第一粘度误差函数如下:
其中,E 1表示第一粘度误差;S mp 表示目标原有粘度值的均值;S c0p、S c1p和S c2p分别表示初始差值的均值、第一差值的均值和第二差值的均值;w 1、w 2和w3分别表示初始差值的均值、第一差值的均值和第二差值的均值对应的预设权重值;
利用所述第二粘度模型和第一粘度误差函数获取初始优化温度设定模型。
具体的,利用所述第二粘度模型和第一粘度误差函数获取初始优化温度设定模型,包括:
步骤1、提取所述第二粘度模型,并将所述第二粘度模型推导为以加热温度为获取量的模型形式;其中,所述模型形式如下:
步骤2、将所述第一粘度误差函数合并入第二粘度模型中,获取初始优化温度设定模型;其中,所述初始优化温度设定模型如下:
其中,T c 表示初始优化温度;E 1表示第一粘度误差;S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;S i 表示历史炼油记录中第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致。
同时,利用初始优化温度设定模型对应的原油粘度确定最终优化温度设定模型,包括:
S401、将所述加热参数数据中的第二样本数据的目标原油粘度代入至初始优化温度设定模型中,获取与所述目标原油粘度对应的第一温度数值;
S402、将所述加热参数数据中的第二样本数据的实际原油粘度代入至初始优化温度设定模型中,获取与所述实际原油粘度对应的第二温度数值;
S403、将所述第一温度数据和第二温度数值分别与所述第二样本数据中的加热温度数值进行比较,并结合第一粘度误差函数,获得第二粘度误差函数;其中,所述第二粘度误差函数如下:
其中,E 2表示第二粘度误差;T 1i 表示第i个第二样本数据的目标原油粘度对应的第一温度数值;T 2i 表示第i个第二样本数据的目标原油粘度对应的第二温度数值;E 1表示第一粘度误差;
S404、将所述第二粘度误差函数与所述初始优化温度设定模型结合,获取最终优化温度设定模型,其中,所述最终优化温度设定模型如下:
其中,T z 表示最终优化温度;S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子,代表原油粘度在温度趋近于无穷大时的预测值;β表示温度对粘度的影响指数,较大的β值意味着温度对粘度的影响更加显著,即温度变化对粘度变化的敏感性更高;λ表示调节因子,其与温度的平移参数相关。它表示温度对粘度的影响在不同温度范围内的平移和调整,并且,上述α、β和λ为经验参数,需要通过实验进行确定和校准;T表示加热温度数 值;S i 表示历史炼油记录中第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致;n表示第二样本数据中的样本总个数;E 2表示第二粘度误差。
上述技术方案的效果为:本实施例提出的一种炼油化工工艺大数据智能分析方法通过对历史炼油化工工艺数据进行大数据分析,利用一种不同的原油粘度及温度关系模型对目标的原油粘度及温度关系模型进行校正的方式,提高目标的原油粘度及温度关系模型的模型精确性,进而提高目标的原油粘度及温度关系模型获得加热温度能够使原油在对应加热温度下的实际原油粘度最大限度趋近于目标原油粘度,最大限度缩小实际原油粘度和目标原油粘度之间的差距度。进而有效提高原油粘度的控制准确性。
同时,不同于传统的单一粘温模型类型进行粘度与温度之间的模型优化跟获取,本实施例采用两种类型完全不同的粘温关系模型,通过两种不同类型的粘温关系模型之间的交叉运用获得最终优化温度设定模型,可以最大程度结合两个模型的优点,规避两种模型的缺点,同时结合误差模型的设置,有效提高所述最终优化温度设定模型的实际原油粘度最大限度趋近于目标原油粘度的趋近程度。
本发明实施例出了一种炼油化工工艺大数据智能分析系统,如图2所示,所述炼油化工工艺大数据智能分析系统包括:
记录提取模块,用于提取炼油化工工艺的历史炼油记录;
参数提取模块,用于针对所述历史炼油记录提取历史炼油记录中的原油储存和预处理工艺阶段的加热参数数据;其中,所述加热参数数据包括加热温度及其对应的实际原油粘度和目标原油粘度;
初始模型获取模块,用于对所述加热参数数据进行大数据分析,获取初始优化温度设定模型;
优化模型获取模块,用于利用初始优化温度设定模型对应的原油粘度确定最终优化温度设定模型。
其中,初始模型获取模块,包括:
样本分割模块,用于将所述加热参数数据分为第一样本数据和第二样本数据;其中,所述第一样本数据与第二样本数据之间的数据比例优选为3:7;
第一粘度数值获取模块,用于提取所第一样本数据中的加热温度数值,并利用第一粘度模型获取所述第一样本数据中的加热温度数值对应的第一原油粘度数值(即,将所述第一样本数据中的加热温度数值代入所述第一粘度模型中,获得第一原油粘度数值);其中,所述第一粘度模型如下:
其中,S 1表示第一粘度模型对应的原油动力粘度值;α表示预指数因子,代表原油粘度在温度趋近于无穷大时的预测值;β表示温度对粘度的影响指数,较大的β值意味着温度对粘度的影响更加显著,即温度变化对粘度变化的敏感性更高;λ表示调节因子,其与温度的平移参数相关。它表示温度对粘度的影响在不同温度范围内的平移和调整,并且,上述α、β和λ为经验参数,需要通过实验进行确定和校准;T 1表示第一样本数据中的加热温度数值;
第二粘度模型获取模块,用于提取第二样本数据中的加热温度数值和其对应的实际原油粘度,对所述加热温度数值和其对应的实际原油粘度进行数据处理,形成第二粘度模型;其中,所述第二粘度模型如下:
其中,S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子,代表原油粘度在温度趋近于无穷大时的预测值;β表示温度对粘度的影响指数,较大的β值意味着温度对粘度的影响更加显著,即温度变化对粘度变化的敏感性更高;λ表示调节因子,其与温度的平移参数相关。它表示温度对粘度的影响在不同温度范围内的平移和调整,并且,上述α、β和λ为经验参数,需要通过实验进行确定和校准;T表示加热温度数值;S i 表示历史炼油记录中第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致;n表示第二样本数据中的样本总个数;/>
第二粘度数值获取模块,用于将所述第一样本数据中的加热温度数值代入所述第二粘度模型中,利用第二粘度模型获取所述第一样本数据中的加热温度数值对应的第二原油粘度数值;
第一模型构建模块,用于利用所述第一样本数据的第一原油粘度数值、第二原油粘度数值以及所述第一样本数据的实际原油粘度值,结合第二粘度模型获取初始优化温度设定模型。
具体的,所述第一模型构建模块包括:
初始差值获取模块,用于提取历史炼油记录中的与所述第一样本数据对应的目标原油粘度值,利用所述实际原油粘度值与目标原油粘度值做差的方式获取所述实际原油粘度值与目标原油粘度值之间的初始差值;
第一差值获取模块,用于用所述第一原油粘度数值与目标原油粘度值做差的方式获取所述第一原油粘度数值与目标原油粘度值之间的第一差值;
第二差值获取模块,用于用所述第二原油粘度数值与目标原油粘度值做差的方式获取所述第二原油粘度数值与目标原油粘度值之间的第二差值;
第一误差获取模块,用于利用所述初始差值、第一差值和第二差值获取第一粘度误差函数;其中,所述第一粘度误差函数如下:(第一粘度误差函数中要带有加热温度值)
其中,E 1表示第一粘度误差;S mp 表示目标原有粘度值的均值;S c0p、S c1p和S c2p分别表示初始差值的均值、第一差值的均值和第二差值的均值;w 1、w 2和w3分别表示初始差值的均值、第一差值的均值和第二差值的均值对应的预设权重值;
初始优化温度设定模型获取模块,用于利用所述第二粘度模型和第一粘度误差函数获取初始优化温度设定模型。
具体的,初始优化温度设定模型获取模块包括:
推导模块,用于提取所述第二粘度模型,并将所述第二粘度模型推导为以加热温度为获取量的模型形式;其中,所述模型形式如下:
合并模块,用于将所述第一粘度误差函数合并入第二粘度模型中,获取初始优化温度设定模型;其中,所述初始优化温度设定模型如下:
其中,T c 表示初始优化温度;E 1表示第一粘度误差;S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;S i 表示历史炼油记录中第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致。
具体的,所述优化模型获取模块包括:
第一温度数值获取模块,用于将所述加热参数数据中的第二样本数据的目标原油粘度代入至初始优化温度设定模型中,获取与所述目标原油粘度对应的第一温度数值;
第二温度数值获取模块,用于将所述加热参数数据中的第二样本数据的实际原油粘度代入至初始优化温度设定模型中,获取与所述实际原油粘度对应的第二温度数值;
第二误差获取模块,用于将所述第一温度数据和第二温度数值分别与所述第二样本数据中的加热温度数值进行比较,并结合第一粘度误差函数,获得第二粘度误差函数;其中,所述第二粘度误差函数如下:
其中,E 2表示第二粘度误差;T 1i 表示第i个第二样本数据的目标原油粘度对应的第一温度数值;T 2i 表示第i个第二样本数据的目标原油粘度对应的第二温度数值;E 1表示第一粘度误差;
最终优化温度设定模型获取模块,用于将所述第二粘度误差函数与所述初始优化温度设定模型结合,获取最终优化温度设定模型,其中,所述最终优化温度设定模型如下:
其中,T z 表示最终优化温度;S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子,代表原油粘度在温度趋近于无穷大时的预测值;β表示温度对粘度的影响指数,较大的β值意味着温度对粘度的影响更加显著,即温度变化对粘度变化的敏感性更高;λ表示调节因子,其与温度的平移参数相关。它表示温度对粘度的影响在不同温度范围内的平移和调整,并且,上述α、β和λ为经验参数,需要通过实验进行确定和校准;S i 表示历史炼油记录中第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致;n表示第二样本数据中的样本总个数;E 2表示第二粘度误差。
上述技术方案的效果为:本实施例提出的一种炼油化工工艺大数据智能分析系统通过对历史炼油化工工艺数据进行大数据分析,利用一种不同的原油粘度及温度关系模型对目标的原油粘度及温度关系模型进行校正的方式,提高目标的原油粘度及温度关系模型的模型精确性,进而提高目标的原油粘度及温度关系模型获得加热温度能够使原油在对应加热温度下的实际原油粘度最大限度趋近于目标原油粘度,最大限度缩小实际原油粘度和目标原油粘度之间的差距度。进而有效提高原油粘度的控制准确性。
同时,不同于传统的单一粘温模型类型进行粘度与温度之间的模型优化跟获取,本实施例采用两种类型完全不同的粘温关系模型,通过两种不同类型的粘温关系模型之间的交叉运用获得最终优化温度设定模型,可以最大程度结合两个模型的优点,规避两种模型的缺点,同时结合误差模型的设置,有效提高所述最终优化温度设定模型的实际原油粘度最大限度趋近于目标原油粘度的趋近程度。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (2)
1.一种炼油化工工艺大数据智能分析方法,其特征在于,所述炼油化工工艺大数据智能分析方法包括:
提取炼油化工工艺的历史炼油记录;
针对所述历史炼油记录提取历史炼油记录中的原油储存和预处理工艺阶段的加热参数数据;其中,所述加热参数数据包括加热温度及其对应的实际原油粘度和目标原油粘度;
对所述加热参数数据进行大数据分析,获取初始优化温度设定模型;
利用初始优化温度设定模型对应的原油粘度确定最终优化温度设定模型;
其中,对所述加热参数数据进行大数据分析,获取初始优化温度设定模型,包括:
将所述加热参数数据分为第一样本数据和第二样本数据;
提取所第一样本数据中的加热温度数值,并利用第一粘度模型获取所述第一样本数据中的加热温度数值对应的第一原油粘度数值;其中,所述第一粘度模型如下:
其中,S 1表示第一粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;T 1表示第一样本数据中的加热温度数值;
提取第二样本数据中的加热温度数值和其对应的实际原油粘度,对所述加热温度数值和其对应的实际原油粘度进行数据处理,形成第二粘度模型;其中,所述第二粘度模型如下:
其中,S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;T表示加热温度数值;S i 表示第二样本数据中的第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致;n表示第二样本数据中的样本总个数;T i 表示第二样本数据中的第i个加热温度;
将所述第一样本数据中的加热温度数值代入所述第二粘度模型中,利用第二粘度模型获取所述第一样本数据中的加热温度数值对应的第二原油粘度数值;
利用所述第一样本数据的第一原油粘度数值、第二原油粘度数值以及所述第一样本数据的实际原油粘度值,结合第二粘度模型获取初始优化温度设定模型;
其中,利用所述第一样本数据的第一原油粘度数值、第二原油粘度数值以及所述第一样本数据的实际原油粘度值,结合第二粘度模型获取初始优化温度设定模型,包括:
提取历史炼油记录中的与所述第一样本数据对应的目标原油粘度值,利用所述实际原油粘度值与目标原油粘度值做差的方式获取所述实际原油粘度值与目标原油粘度值之间的初始差值;
用所述第一原油粘度数值与目标原油粘度值做差的方式获取所述第一原油粘度数值与目标原油粘度值之间的第一差值;
用所述第二原油粘度数值与目标原油粘度值做差的方式获取所述第二原油粘度数值与目标原油粘度值之间的第二差值;
利用所述初始差值、第一差值和第二差值获取第一粘度误差函数;其中,所述第一粘度误差函数如下:
其中,E 1表示第一粘度误差;S mp 表示目标原有粘度值的均值;S c0p、S c1p和S c2p分别表示初始差值的均值、第一差值的均值和第二差值的均值;w 1、w 2和w3分别表示初始差值的均值、第一差值的均值和第二差值的均值对应的预设权重值;
利用所述第二粘度模型和第一粘度误差函数获取初始优化温度设定模型;
其中,利用所述第二粘度模型和第一粘度误差函数获取初始优化温度设定模型,包括:
提取所述第二粘度模型,并将所述第二粘度模型推导为以加热温度为获取量的模型形式;其中,所述模型形式如下:
将所述第一粘度误差函数合并入第二粘度模型中,获取初始优化温度设定模型;其中,所述初始优化温度设定模型如下:
其中,T c 表示初始优化温度;E 1表示第一粘度误差;S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;S i 表示历史炼油记录中第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致;
其中,利用初始优化温度设定模型对应的原油粘度确定最终优化温度设定模型,包括:
将所述加热参数数据中的第二样本数据的目标原油粘度代入至初始优化温度设定模型中,获取与所述目标原油粘度对应的第一温度数值;
将所述加热参数数据中的第二样本数据的实际原油粘度代入至初始优化温度设定模型中,获取与所述实际原油粘度对应的第二温度数值;
将所述第一温度数据和第二温度数值分别与所述第二样本数据中的加热温度数值进行比较,并结合第一粘度误差函数,获得第二粘度误差函数;其中,所述第二粘度误差函数如下:
其中,E 2表示第二粘度误差;T 1i 表示第i个第二样本数据的目标原油粘度对应的第一温度数值;T 2i 表示第i个第二样本数据的目标原油粘度对应的第二温度数值;E 1表示第一粘度误差;
将所述第二粘度误差函数与所述初始优化温度设定模型结合,获取最终优化温度设定模型,其中,所述最终优化温度设定模型如下:
其中,T z 表示最终优化温度;S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;S i 表示历史炼油记录中第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致;n表示第二样本数据中的样本总个数;E 2表示第二粘度误差。
2.一种炼油化工工艺大数据智能分析系统,其特征在于,所述炼油化工工艺大数据智能分析系统包括:
记录提取模块,用于提取炼油化工工艺的历史炼油记录;
参数提取模块,用于针对所述历史炼油记录提取历史炼油记录中的原油储存和预处理工艺阶段的加热参数数据;其中,所述加热参数数据包括加热温度及其对应的实际原油粘度和目标原油粘度;
初始模型获取模块,用于对所述加热参数数据进行大数据分析,获取初始优化温度设定模型;
优化模型获取模块,用于利用初始优化温度设定模型对应的原油粘度确定最终优化温度设定模型;
其中,初始模型获取模块,包括:
样本分割模块,用于将所述加热参数数据分为第一样本数据和第二样本数据;
第一粘度数值获取模块,用于提取所第一样本数据中的加热温度数值,并利用第一粘度模型获取所述第一样本数据中的加热温度数值对应的第一原油粘度数值;其中,所述第一粘度模型如下:
其中,S 1表示第一粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;T 1表示第一样本数据中的加热温度数值;
第二粘度模型获取模块,用于提取第二样本数据中的加热温度数值和其对应的实际原油粘度,对所述加热温度数值和其对应的实际原油粘度进行数据处理,形成第二粘度模型;其中,所述第二粘度模型如下:
其中,S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;T表示加热温度数值;S i 表示第二样本数据中的第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致;n表示第二样本数据中的样本总个数;T i 表示第二样本数据中的第i个加热温度;
第二粘度数值获取模块,用于将所述第一样本数据中的加热温度数值代入所述第二粘度模型中,利用第二粘度模型获取所述第一样本数据中的加热温度数值对应的第二原油粘度数值;
第一模型构建模块,用于利用所述第一样本数据的第一原油粘度数值、第二原油粘度数值以及所述第一样本数据的实际原油粘度值,结合第二粘度模型获取初始优化温度设定模型;
其中,所述第一模型构建模块包括:
初始差值获取模块,用于提取历史炼油记录中的与所述第一样本数据对应的目标原油粘度值,利用所述实际原油粘度值与目标原油粘度值做差的方式获取所述实际原油粘度值与目标原油粘度值之间的初始差值;
第一差值获取模块,用于用所述第一原油粘度数值与目标原油粘度值做差的方式获取所述第一原油粘度数值与目标原油粘度值之间的第一差值;
第二差值获取模块,用于用所述第二原油粘度数值与目标原油粘度值做差的方式获取所述第二原油粘度数值与目标原油粘度值之间的第二差值;
第一误差获取模块,用于利用所述初始差值、第一差值和第二差值获取第一粘度误差函数;其中,所述第一粘度误差函数如下:
其中,E 1表示第一粘度误差;S mp 表示目标原有粘度值的均值;S c0p、S c1p和S c2p分别表示初始差值的均值、第一差值的均值和第二差值的均值;w 1、w 2和w3分别表示初始差值的均值、第一差值的均值和第二差值的均值对应的预设权重值;
初始优化温度设定模型获取模块,用于利用所述第二粘度模型和第一粘度误差函数获取初始优化温度设定模型;
其中,初始优化温度设定模型获取模块包括:
推导模块,用于提取所述第二粘度模型,并将所述第二粘度模型推导为以加热温度为获取量的模型形式;其中,所述模型形式如下:
合并模块,用于将所述第一粘度误差函数合并入第二粘度模型中,获取初始优化温度设定模型;其中,所述初始优化温度设定模型如下:
其中,T c 表示初始优化温度;E 1表示第一粘度误差;S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;S i 表示历史炼油记录中第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致;
其中,所述优化模型获取模块包括:
第一温度数值获取模块,用于将所述加热参数数据中的第二样本数据的目标原油粘度代入至初始优化温度设定模型中,获取与所述目标原油粘度对应的第一温度数值;
第二温度数值获取模块,用于将所述加热参数数据中的第二样本数据的实际原油粘度代入至初始优化温度设定模型中,获取与所述实际原油粘度对应的第二温度数值;
第二误差获取模块,用于将所述第一温度数据和第二温度数值分别与所述第二样本数据中的加热温度数值进行比较,并结合第一粘度误差函数,获得第二粘度误差函数;其中,所述第二粘度误差函数如下:
其中,E 2表示第二粘度误差;T 1i 表示第i个第二样本数据的目标原油粘度对应的第一温度数值;T 2i 表示第i个第二样本数据的目标原油粘度对应的第二温度数值;E 1表示第一粘度误差;
最终优化温度设定模型获取模块,用于将所述第二粘度误差函数与所述初始优化温度设定模型结合,获取最终优化温度设定模型,其中,所述最终优化温度设定模型如下:
其中,T z 表示最终优化温度;S 2表示第二粘度模型对应的原油动力粘度值;α表示预指数因子;β表示温度对粘度的影响指数;λ表示调节因子;S i 表示历史炼油记录中第i个加热温度T i 对应的实际原油粘度值;S mi 表示历史炼油记录中第i个加热温度T i 对应的目标原油粘度值;k表示第一位数调节系数,使满足与预指数因子α的小数点后第一个非零数字的位数一致;n表示第二样本数据中的样本总个数;E 2表示第二粘度误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310853206.8A CN116579188B (zh) | 2023-07-12 | 2023-07-12 | 一种炼油化工工艺大数据智能分析方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310853206.8A CN116579188B (zh) | 2023-07-12 | 2023-07-12 | 一种炼油化工工艺大数据智能分析方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116579188A CN116579188A (zh) | 2023-08-11 |
CN116579188B true CN116579188B (zh) | 2023-09-22 |
Family
ID=87541656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310853206.8A Active CN116579188B (zh) | 2023-07-12 | 2023-07-12 | 一种炼油化工工艺大数据智能分析方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579188B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194057A (zh) * | 2011-05-05 | 2011-09-21 | 浙江宜景环保科技有限公司 | 一种废塑料炼油燃烧优化的模型更新方法 |
CN106053166A (zh) * | 2016-05-18 | 2016-10-26 | 东北石油大学 | 基于表观黏度量化表征的原油乳状液配制方法 |
CN111241652A (zh) * | 2018-11-29 | 2020-06-05 | 中国石油天然气股份有限公司 | 一种确定地层原油粘度的方法及装置 |
CN113420500A (zh) * | 2021-06-10 | 2021-09-21 | 北京宜能高科科技有限公司 | 智能常减压系统 |
CN116263845A (zh) * | 2021-12-14 | 2023-06-16 | 中国石油天然气股份有限公司 | 基于粘度预测的联合站间混合原油输送系统优化方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018213083A1 (en) * | 2017-05-15 | 2018-11-22 | University Of Houston System | Advanced technique for screening enhanced oil recovery and improved oil recovery methodologies for a petroleum reservoir |
US20230153496A1 (en) * | 2021-11-18 | 2023-05-18 | Petróleo Brasileiro S.A. - Petrobras | Rheological model of water-in-oil emulsions obtained by artificial intelligence |
-
2023
- 2023-07-12 CN CN202310853206.8A patent/CN116579188B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194057A (zh) * | 2011-05-05 | 2011-09-21 | 浙江宜景环保科技有限公司 | 一种废塑料炼油燃烧优化的模型更新方法 |
CN106053166A (zh) * | 2016-05-18 | 2016-10-26 | 东北石油大学 | 基于表观黏度量化表征的原油乳状液配制方法 |
CN111241652A (zh) * | 2018-11-29 | 2020-06-05 | 中国石油天然气股份有限公司 | 一种确定地层原油粘度的方法及装置 |
CN113420500A (zh) * | 2021-06-10 | 2021-09-21 | 北京宜能高科科技有限公司 | 智能常减压系统 |
CN116263845A (zh) * | 2021-12-14 | 2023-06-16 | 中国石油天然气股份有限公司 | 基于粘度预测的联合站间混合原油输送系统优化方法及装置 |
Non-Patent Citations (3)
Title |
---|
New correlations to predict oil viscosity using data mining techniques;Ehsan Bahonar et.al;《Journal of Petroleum Science and Engineering》;第1-16页 * |
不同温度下油品粘度的计算方法;关秉振;《炼油设计》;第76-78页 * |
薄层稠油多轮次蒸汽吞吐后工艺参数优化研究;李晓宇;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》;B019-428 * |
Also Published As
Publication number | Publication date |
---|---|
CN116579188A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109814513B (zh) | 一种基于数据模型的催化裂化装置优化方法 | |
JP5460319B2 (ja) | ほぼリアルタイムでのストリームの組成および特性の予測 | |
US7244350B2 (en) | Process to prepare a hydrocarbon product having a sulphur content below 0.05 wt | |
CN107250769B (zh) | 通过傅里叶变换红外光谱法分析表征原油及其级分 | |
WO2016111956A1 (en) | Characterization of crude oil and its fractions by fluorescence spectroscopy analysis | |
CN110514619B (zh) | 基于有偏估计的近红外定量分析模型构建方法 | |
EP3243075A1 (en) | Characterization of crude oil and its fractions by thermogravimetric analysis | |
Braima et al. | Utilization of Response Surface Methodology (RSM) in the Optimization of Crude Oil Refinery Process, New Port-Harcourt Refinery | |
CN116579188B (zh) | 一种炼油化工工艺大数据智能分析方法和系统 | |
CN111624164A (zh) | 基于光谱标准差特征分析的海洋溢油油种高光谱识别方法 | |
CN103760131A (zh) | 基于近红外光谱检测的汽油油品属性实时预测方法 | |
Owolabi et al. | Reclamation of spent automobile engine lubricating oil | |
WO2016111989A1 (en) | Characterization of crude oil by high pressure liquid chromatography | |
CN111978976A (zh) | 一种提高常减压装置馏分油收率的方法 | |
EP4081621A1 (en) | System and method of determining peptization values and visbreaker control | |
EP3864405A1 (en) | System and method of characterizing crude oil by gel permeation chromatography (gpc) | |
Doe et al. | Study on characteristics of change of physical/chemical property of refined fuel oil (reduced-pressure) by mixing with by-product fuel oil (No. 2) | |
CN113862021B (zh) | 一种原油常压蒸馏塔的侧线收率的预测及优化方法 | |
CN111899808B (zh) | 一种在线调合方法、系统、装置及存储介质 | |
CN111899808A (zh) | 一种在线调合方法、系统、装置及存储介质 | |
CN114707778A (zh) | 基于油品芳烃组成快速预测汽车pn排放的方法 | |
Nikonorov | Estimating Quality (Density) of Hydrotreated Straight-Run Winter Diesel Fuel | |
Yıldız et al. | Production of low sulphurated diesel-like fuel from waste mineral and tire oils by pyrolytic distillation | |
CN117405623A (zh) | 抗燃油油品质量近红外光谱在线监测方法、装置及系统 | |
Khots et al. | Calculation of diesel fuel motor characteristics |
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 |