CN116864014A - 一种基于代理模型的湿法磷酸生产工艺全流程模拟与优化方法 - Google Patents
一种基于代理模型的湿法磷酸生产工艺全流程模拟与优化方法 Download PDFInfo
- Publication number
- CN116864014A CN116864014A CN202310696627.4A CN202310696627A CN116864014A CN 116864014 A CN116864014 A CN 116864014A CN 202310696627 A CN202310696627 A CN 202310696627A CN 116864014 A CN116864014 A CN 116864014A
- Authority
- CN
- China
- Prior art keywords
- model
- module
- phosphoric acid
- optimization
- adopts
- 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
- 238000000034 method Methods 0.000 title claims abstract description 161
- NBIIXXVUZAFLBC-UHFFFAOYSA-N Phosphoric acid Chemical compound OP(O)(O)=O NBIIXXVUZAFLBC-UHFFFAOYSA-N 0.000 title claims abstract description 148
- 229910000147 aluminium phosphate Inorganic materials 0.000 title claims abstract description 74
- 238000005457 optimization Methods 0.000 title claims abstract description 74
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 61
- 238000004088 simulation Methods 0.000 title claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 74
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 241000183024 Populus tremula Species 0.000 claims abstract description 31
- 230000007246 mechanism Effects 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims description 48
- 239000002367 phosphate rock Substances 0.000 claims description 44
- OJMIONKXNSYLSR-UHFFFAOYSA-N phosphorous acid Chemical compound OP(O)O OJMIONKXNSYLSR-UHFFFAOYSA-N 0.000 claims description 44
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 claims description 35
- PASHVRUKOFIRIK-UHFFFAOYSA-L calcium sulfate dihydrate Chemical compound O.O.[Ca+2].[O-]S([O-])(=O)=O PASHVRUKOFIRIK-UHFFFAOYSA-L 0.000 claims description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 31
- 238000002425 crystallisation Methods 0.000 claims description 30
- 230000008025 crystallization Effects 0.000 claims description 30
- 238000000926 separation method Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 23
- 239000007788 liquid Substances 0.000 claims description 20
- 239000002002 slurry Substances 0.000 claims description 18
- OSGAYBCDTDRGGQ-UHFFFAOYSA-L calcium sulfate Inorganic materials [Ca+2].[O-]S([O-])(=O)=O OSGAYBCDTDRGGQ-UHFFFAOYSA-L 0.000 claims description 17
- 239000000047 product Substances 0.000 claims description 16
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 15
- 229910052698 phosphorus Inorganic materials 0.000 claims description 15
- 239000011574 phosphorus Substances 0.000 claims description 15
- 230000000704 physical effect Effects 0.000 claims description 15
- 239000013078 crystal Substances 0.000 claims description 13
- 239000007787 solid Substances 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 239000002253 acid Substances 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 10
- 238000005406 washing Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 8
- 238000002156 mixing Methods 0.000 claims description 8
- 238000000053 physical method Methods 0.000 claims description 8
- 238000004886 process control Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 7
- 239000002994 raw material Substances 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000010977 unit operation Methods 0.000 claims description 7
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000009792 diffusion process Methods 0.000 claims description 5
- 239000008151 electrolyte solution Substances 0.000 claims description 5
- 239000000243 solution Substances 0.000 claims description 5
- 241000196324 Embryophyta Species 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000003556 assay Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000000706 filtrate Substances 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000011112 process operation Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- ZOMBKNNSYQHRCA-UHFFFAOYSA-J calcium sulfate hemihydrate Chemical compound O.[Ca+2].[Ca+2].[O-]S([O-])(=O)=O.[O-]S([O-])(=O)=O ZOMBKNNSYQHRCA-UHFFFAOYSA-J 0.000 claims description 2
- 150000004683 dihydrates Chemical class 0.000 claims 1
- 238000005192 partition Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 7
- 230000009466 transformation Effects 0.000 abstract description 7
- 238000002474 experimental method Methods 0.000 abstract description 4
- 238000002386 leaching Methods 0.000 description 7
- 239000007791 liquid phase Substances 0.000 description 6
- 239000012071 phase Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000011575 calcium Substances 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 239000007790 solid phase Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 229910018072 Al 2 O 3 Inorganic materials 0.000 description 2
- 229910004261 CaF 2 Inorganic materials 0.000 description 2
- 229910004298 SiO 2 Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000005191 phase separation Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000012066 reaction slurry Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000002948 stochastic simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 229910019142 PO4 Inorganic materials 0.000 description 1
- QCJQWJKKTGJDCM-UHFFFAOYSA-N [P].[S] Chemical compound [P].[S] QCJQWJKKTGJDCM-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000006911 nucleation Effects 0.000 description 1
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 1
- 239000010452 phosphate Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
Abstract
本发明提供一种基于代理模型的湿法磷酸生产工艺全流程模拟与优化方法，所述方法包括：(1)采用Aspen plus完成湿法磷酸生产工艺流程的工艺机理模型的构建；(2)选定过程关键影响变量，通过随机模拟方法生成建模样本数据集；(3)采用机器学习算法训练建模样本数据集，构建湿法磷酸生产过程代理模型；(4)基于代理模型开展磷酸生产全过程操作参数集成优化计算；(5)采用工艺的Aspen plus机理模型进行优化方案的可行性验证。本发明提供的方法实现了湿法磷酸生产全流程的模拟和关键参数指标的快速、准确预测，并为生产的实时优化操作与设计改造提供精准方案和数据支持，节省了实验和时间成本，具有较强的工程实用性。
Description
技术领域
本发明属于流程工业生产过程模拟与优化技术领域，涉及一种湿法磷酸生产工艺全流程模拟与优化方法，具体涉及一种基于代理模型的湿法磷酸生产工艺全流程模拟与优化方法。
背景技术
湿法磷酸是磷化工的产业基础，湿法磷酸的高效、清洁生产是保证磷矿这一重要不可再生国家战略性资源有效利用的关键。在磷矿资源日益贫乏、低碳环保要求呼声日渐高涨的当下，半水-二水磷酸工艺凭其能耗低、磷石膏质量好、污染排放少等诸多优点，成为整个行业生产技术转型升级方向。然而，该工艺流程长，化学反应机理复杂、操作变量多且耦合性强、控制条件苛刻，同时由于当前缺乏对系统整体性的定量认识与分析手段，大部分关键参数指标无法在线监测，导致现有的生产操作随机性大、效率低、消耗大、质量不稳定、综合竞争力差等问题，己成为制约我国磷酸工业发展的瓶颈。为了克服上述难题，有必要对该工艺进行全流程建模仿真，以期通过对关键参数指标的准确预测、生产操作参数的优化调整和工艺流程的优化改造，达到节能降耗、稳定产品质量、提高生产效益的目标。
Aspen Plus是一款用于工艺严格机理计算的大型通用化工流程模拟平台，目前国内外已有部分学者利用Aspen Plus实现了对湿法磷酸生产工艺的机理建模，并通过改变硫酸过量系数、料浆循环比、温度、压力等操作参数进行灵敏分析，获得了工艺参数的最优运行区间，从而为全流程的优化设计和运行控制提供指导。然而，机理模型本身结构复杂、计算耗时长，再加上Aspen Plus模拟计算采用序贯模块法逐个装置迭代求解，若直接采用该机理模型进行优化求解，则往往会出现优化迭代时间过长、优化难收敛等问题，从而无法满足生产实时调控的需求。为此，需要寻找一种计算量复杂度低且与实际生产高度吻合的代理模型，实现磷矿酸解过程的磷浸取率、产物物性等关键性能指标的准确快捷预测，并通过优化计算为整个流程的运行控制与优化设计改造提供方案和数据支持，从而达到降低企业生产成本、提高运行管控水平，促进和提升整个磷酸工业自动化和智能化水平的目的。
发明内容
针对现有技术中存在的湿法磷酸生产工艺存在关键参数指标无法在线监测、生产管控困难、磷收率低、成本高等问题，本发明的目的在于提供一种基于代理模型的湿法磷酸生产工艺全流程模拟与优化方法。所述方法旨在实现磷矿酸解过程的磷浸取率、产物物性等关键性能指标的准确快捷预测，并为整个流程的实时优化操作与设计改造提供方案和数据支持，达到节能降耗、提高企业经济效益的目的。
为达此目的，本发明采用以下技术方案：
本发明提供了一种基于代理模型的湿法磷酸生产工艺全流程模拟与优化方法，所述方法包括如下步骤：
(1)采用Aspen plus完成所述湿法磷酸生产工艺流程的工艺机理模型的构建；
(2)选定过程关键影响变量，通过随机模拟方法生成建模样本数据集；
(3)采用机器学习算法对步骤(2)所得建模样本数据集进行训练，构建湿法磷酸生产过程代理模型；
(4)基于代理模型开展磷酸生产全过程操作参数集成优化计算；
(5)采用工艺的Aspen plus机理模型进行优化方案的可行性验证。
本发明将严格机理模型、拟Monte Carlo模拟、机器学习建模与操作参数集成优化计算有机结合，实现了湿法磷酸生产全流程的模拟和关键参数指标的快速、准确预测，并为生产的实时优化操作与设计改造提供精准方案和数据支持，极大节省了实验和时间成本，具有较强的工程实用性。
优选地，步骤(2)所述随机模拟方法包括拟Monte Carlo随机模拟法。
作为本发明的一个优选技术方案，步骤(1)所述构建包括如下步骤：
(1.1)构建磷矿酸解动力学模型和硫酸钙结晶动力学模型，并采用动力学实验数据对磷矿酸解动力学模型和硫酸钙结晶动力学模型的参数进行拟合；
(1.2)采用Fortran分别编写磷矿酸解动力学子程序和硫酸钙结晶动力学子程序，并将子程序分别嵌入到步骤(1.1)所述磷矿酸解动力学模型和硫酸钙结晶动力学模型中，完成半水反应工段中磷矿酸解反应和结晶过程的模拟；
(1.3)在Aspen Plus平台中完成半水-二水湿法磷酸生产工艺模型的搭建；
(1.4)设置Aspen Plus模拟环境全局参数，输入起始的物料数据和单元操作模块参数信息，启动全流程模拟仿真计算；
(1.5)采集获取工业现场数据包括工艺运行数据和化验数据，对全流程机理模型可靠性验证和关键参数校正，得到校正后的机理模型。
作为本发明的一个优选技术方案，步骤(1.1)所述磷矿酸解动力学模型选用的反应模块为RCSTR反应模块，反应动力学模型为固膜表面扩散控制的缩核模型。
优选地，步骤(1.1)所述硫酸钙结晶动力学模型选用的反应模块为Crystallizer结晶模块，反应动力学模型为基于粒数衡算的动力学方程式。
作为本发明的一个优选技术方案，步骤(1.3)所述半水-二水湿法磷酸生产工艺模型包括半水反应过程模型、半水过滤过程模型、二次转化过程模型和二水过滤过程模型。
优选地，所述半水反应过程模型采用RCSTR模块来模拟磷矿酸解过程，采用Flash2模块来模拟真空闪冷和气液分离过程，采用Crystalizer模块来模拟半水硫酸钙结晶过程，流股的合并和分离分别采用Mixer模块和Fsplit模块。
优选地，所述半水过滤过程模型采用Filter模块来模拟多段固液分离过程，采用Swash模块来模拟多段洗涤过程，采用Fsplit模块来模拟过滤槽中滤液与成品磷酸的分离，采用Mixer模块来模拟返酸槽中液体的混合。
所述二次转化过程模型采用RStoic模块来模拟二水转化反应过程，采用Flash2模块来模拟真空闪冷和气液分离过程，采用Crystalize模块来模拟二水硫酸钙结晶过程，混合器采用Mixer模块，分流器采用Fsplit模块。
所述二水过滤过程模型采用Filter模块和Swash模块来分别模拟多段固液分离过程和洗涤过程，采用Fsplit模块和Mixer模块来模拟二水过滤槽中液体的分流和混合。
作为本发明的一个优选技术方案，步骤(1.4)所述环境全局参数包括组分选择、物性方法以及流股类型的设置。
优选地，所述组分选择中的组分包括磷矿、硫酸、磷酸、磷石膏、气相组分以及电解质溶液。
值得说明的是，本发明所述磷矿的主要成分为Ca10(PO4)6F2、CaF2和CaCO3、部分杂质Al2O3、Fe2O3、MgO、SiO2和Na2O；磷石膏的主要成分包括CaSO4、CaSO4·2H2O以及CaSO4·0.5H2O；所述气相组分包括H2O、CO2、以及HF等；所述电解质溶液中的离子包括H+、Ca2+、HPO4 2-、PO4 3-、HSO4 -、SO4 2-、F-、CO3 2-等。
优选地，所述物性方法包括全局热力学物性方法和过滤工段物性方法.
优选地，所述全局热力学物性方法为ElECNRTL方法。
优选地，所述过滤工段物性方法为SOLIDS物性计算方法。
优选地，所述流股类型包括MIXCIPSD类型。
值得说明的是，本发明所述方法中步骤(1.4)所述起始的物料数据和单元操作模块参数信息设置，需要输入如下数据：
a)物料数据：磷矿总质量流量、温度、压力、组成及质量百分比、PSD粒径分布；浓硫酸的质量流量、温度、压力、组成及质量百分比；过滤洗水的质量流量、温度、压力、组成及质量百分比。
b)所有单元操作模块信息：反应器模块的体积、化学反应式、反应动力学方程、操作压力和温度等，固液分离模块的出口固相和液相分离比率、出口压力和温度变化等，洗涤模块的液固分离比和混合效率等，分流器模块的分离效率等。
作为本发明的一个优选技术方案，步骤(2)所述建模样本数据集的生成方法包括如下步骤：
(2.1)选定过程关键影响变量及变化范围；
(2.2)采用拟Monte Carlo采样方法，生成输入变量的随机抽样数据集；
(2.3)搭建Python-Aspen Plus接口，实现在Python环境下启动Aspen模拟仿真计算，以及模拟数据的输入与输出；
(2.4)启动Aspen Plus进行随机模拟仿真实验，生成建模样本数据集。
作为本发明的一个优选技术方案，步骤(2.1)所述过程关键影响变量包括入口浓硫酸质量流量、循环料浆倍比、反酸分配比以及真空闪冷气的温降；
优选地，步骤(2.2)所述Monte Carlo采样方法包括基于Halton序列、Hammersley序列或Sobol序列的随机采样方法中的任意一种。
作为本发明的一个优选技术方案，步骤(3)所述机器学习算法包括回归型支持向量机(SVR)、神经网络(ANN)或随机森林决策回归(RF)算法中的任意一种。
优选地，步骤(3)所述构建的方法包括如下步骤：
(3.1)样本数据的预处理；所述预处理包括对样本集进行归一化和标准化处理，使得特征值和输出值落在[-1,1]范围之间；采用下式对数据进行规范化处理；相应地，在预测结束后需要对数据进行反规划处理；
式中，xn为归一化后的数据；x为原始数据；xmin为x的最小值；xmax为x的最大值；
(3.2)样本数据的随机抽样划分；对归一化处理后的数据，据K折交叉验证法，从数据集每次随机选取总样本数目的(K-1)/K作为训练集，剩余1/K作为验证集，重复K次，产生K组训练-验证数据集组合；
(3.3)代理模型结构的选择，即确定输入与输出变量列表以及机器学习算法种类和结构；
(3.4)代理模型最优参数设置；
(3.5)利用训练样本集拟合SVR、ANN、RF三种代理模型；
(3.6)利用测试样本数据对所建代理模型进行模型验证和评估；
优选地，步骤(3.6)所述模型评估标准包括：评价绝对误差、均方根误差以及平方相关系数。
本发明中当预测模型的评价绝对误差和均方根误差越小，R2越接近于1时，则该模型的预测精度越高。
值得说明的是，所述评价绝对误差MAE、均方根误差RMSE以及平方相关系数R2的表达式分别如下所示：
式中，yi为样本集中第i个样本输出变量的真实值；m表示原始样本的数目；为对应样本的预测值；/>为输出变量对应的原始样本的平均值。
作为本发明的一个优选技术方案，步骤(4)所述优化计算包括如下步骤：
(4.1)优化变量的选择：通过灵敏分析明确关键操作参数对优化目标的影响程度，并按影响程度大小进行排序，选用现场易于调控、影响程度较大的参数作为调优变量；
(4.2)确定目标函数和约束条件，构建优化模型：
所述目标函数包括：以磷收率为优化目标，将磷酸品质和磷石膏品质作为约束条件；优化目标的表达式如下：
式中，Fpra和Fphr分别为成品磷酸流量和原料磷矿的质量流量；CPA，pra和CPA，phr分别为成品磷酸流量和原料磷矿中的P2O5浓度；
所述约束条件包括模型等式约束和限制不等式约束；所述模型约束为指磷酸生产过程代理模型；所述限制不等式约束包括生产工艺约束、出口产品流量和组分约束、装置负荷约束和决和决策变量的边界条件。
(4.3)采用智能算法完成上述优化模型的高效求解；
所述智能算法包括粒子群(PSO)算法、差分(DE)算法或遗传(GA)算法中的任意一种。
值得说明的是，本发明步骤(4.2)中所述约束条件具体包括：
(a)工艺控制指标约束：料浆组分浓度约束：料浆的温度约束：Ti min≤Ti≤Ti max；真空闪蒸冷却的温度降约束：/>
(b)产品质量与组分约束：成品磷酸组分浓度约束：磷石膏产品组分约束：/>成品磷酸流量约束：/>
(c)装置进负荷约束：进料流股流量约束：出料流股流量约束：/>
(d)决策变量边界约束：
式中，F表示质量流量；C表示反应料浆液相的各组分的质量百分含量；T表示料浆温度；UT表示真空闪冷器的温降；X表示优化决策变量；下标j＝phr，sa，ra或rs，分别表示进入反应单元的磷矿、硫酸和返酸；下标k表示料浆组分，k＝PA、SA、CS或SC分别表示料浆中的磷酸、硫酸和固相组分；下标q表示决策变量种类；q＝phr、sa、β或VC分别表示磷矿投入量、硫酸进料量、料浆循环倍率和真空闪冷器的真空度；下标i表示第i反应单元；下标vc表示真空闪蒸冷却器；上标in和out分别表示流股进入和出入；上标min和max表示最小值和最大值要求。
作为本发明的一个优选技术方案，步骤(5)所述可行性验证的结果标准为：
当模拟结果不满足工艺控制指标要求，则修改优化模型的约束条件，继续重新优化计算，直至满足工艺控制指标要求，输出最终可行的优化方案。
本发明所述的数值范围不仅包括上述例举的点值，还包括没有例举出的上述数值范围之间的任意的点值，限于篇幅及出于简明的考虑，本发明不再穷尽列举所述范围包括的具体点值。
与现有技术相比，本发明具有以下有益效果：
(1)本发明将严格过程机理模拟应用于湿法磷酸生产工艺的研究，充分利用现有流程软件Aspen Plus强大物性和单元模型库的优势，以及用户模型技术开发自定义复杂动力学模型的便捷性，实现了整个流程的严格机理建模；
(2)本发明通过拟Monte Carlo随机模拟方法生成丰富高质量的工艺仿真数据，用于代理模型的训练，解决了湿法磷酸生产工业数据获取成本高、有效数据量不足、数据质量较差等难题，并训练出与实际工艺高度吻合且计算量小复杂度低的代理模型，实现了整个流程的快速、精准模拟；
(3)本发明将代理模型与操作参数优化集成计算有机结合，获得优化操作方案，并再借助于Aspen Plus机理模型仿真进行方案可行性验证和修正，解决了传统基于机理模型的优化过程耗时长、收敛困难等难题，实现了磷矿酸解过程的磷浸取率、产物物性等关键性能指标的快速准确预测，并为生产的实时优化操作与设计改造提供精准的方案和数据支持。
附图说明
图1是本发明实施例1提供的半水-二水湿法磷酸生产工艺的Aspen plus模拟图；
图2是本发明实施例1提供的基于代理模型的湿法磷酸生产过程优化方法流程图；
图3a是本发明实施例1提供的代理模型的预测结果；
图3b是本发明实施例1提供的代理模型的预测相对误差值。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。本领域技术人员应该明了，所述实施例仅仅是帮助理解本发明，不应视为对本发明的具体限制。
实施例1
本实施例提供了一种基于代理模型的湿法磷酸生产工艺全流程模拟与优化方法，所述方法包括如下步骤：
(1)采用Aspen plus完成所述湿法磷酸生产工艺流程的工艺机理模型的构建；
(1.1)构建磷矿酸解动力学模型和硫酸钙结晶动力学模型，并采用动力学实验数据对模型参数进行拟合；所述磷矿酸解动力学模型采用RCSTR反应模块模拟，反应动力学模型采用固膜表面扩散控制的缩核模型；所述硫酸钙结晶动力学模型采用Crystallizer结晶模块模拟，其动力学模型采用基于粒数衡算的动力学方程式；
所述磷矿酸解动力学模型表达式如式(1)所示，通过动力学实验全面考察了硫酸浓度、磷酸浓度、反应温度、反应时间、液固比、硫酸过量系数、粒度等影响因素对磷浸出的影响。实验研究结果表明在该实验条件下磷矿浸出过程受表面固膜扩散控制，即表观动力动力学方程符合式(1)收缩未反应芯模型形式；且硫酸过量系数(ξ)和液固比(L/S)会对磷矿浸出过程反应动力不同程度的影响，可以采用式(2)来描述；
1-2X/3-(1-X)2/3＝Kmt (1)
Km＝K0ξα[L/S]βexp(-Ea/RT) (2)
式中X表示磷矿酸解转化率，Km表示酸解反应速率常数，T表示绝对温度，Eα表示活化能，R为通用气体常数，K0表示指前因子，ξ表示硫酸过量系数，L/S表示液固比，α和β表示影响级数。本实施案例通过实验数据拟合得到Eα＝27.56KJ/mol，K0＝0.00306，α＝1.68，β＝1.24。该表观活化能大于20KJ/mol，这表明硫磷混酸分解磷精矿属于固膜表面扩散控制；
所述硫酸钙结晶动力学模型表达式如式(3)-(4)所示，其晶体生长过程符合粒度无关的线性生长律定律，结晶方程式可采用半经验的形式，温度采用阿累尼乌斯形式，其它可调参数采用经验的幂函数形式，具体数值可利用结晶动力学实验数据进行多元参数拟合获得。
B＝K1(Cb-C*)+K2＝765.95(Cb-C*)-1484.2 (4)
式中，G表示晶体的线性生长速率，B表示晶体的成核速率，Cb表示硫酸钙的溶解度，C*为硫酸钙在料浆环境内的饱和浓度；
(1.2)采用Fortran分别编写磷矿酸解动力学子程序和硫酸钙结晶动力学子程序，并将子程序分别嵌入到Aspen Plus中RCSTR反应模块和Crystalizer结晶模块中，完成半水反应工段中磷矿酸解反应和结晶过程的模拟；
(1.3)在Aspen Plus平台完成整个半水-二水湿法磷酸生产工艺模型的搭建。所述模拟流程如图1所示，所述工艺模型包括半水反应、半水过滤、二次转化和二水过滤4个过程模型；
其中，所述半水反应过程采用多个RCSTR模块模拟磷矿酸解过程，采用Flash2模块模拟真空闪冷和气液分离过程，采用Crystalizer模块模拟半水硫酸钙结晶过程，流股的合并和分离分别采用Mixer模块和Fsplit模块；
所述半水过滤过程采用多个Filter模块模拟多段固液分离过程，采用多个Swash模块模拟多段洗涤过程，采用Fsplit模块模拟过滤槽中滤液与成品磷酸的分离，采用Mixer模块来模拟返酸槽中液体的混合；
所述二水转化过程采用RStoic模块模拟二水转化反应过程，采用Flash2模块模拟真空闪冷和气液分离过程；采用Crystalize模块来模拟二水硫酸钙结晶过程，混合器采用Mixer模块，分流器采用Fsplit模块；
所述二水过滤过程采用多个Filter模块和Swash模块分别模拟多段固液分离过程和洗涤过程，采用Fsplit模块和Mixer模块分别模拟二水过滤槽中液体的分流和混合；
(1.4)设置Aspen Plus模拟环境全局参数，输入起始的物料数据和单元操作模块参数信息，启动全流程模拟仿真计算；
其中，所述Aspen Plus模拟环境全局参数包括：组分选择、物性方法和流股类型的设置，具体设置如下：
1)本实施例涉及到的组分包括磷矿、硫酸、磷酸、磷石膏(CaSO4、CaSO4·2H2O、CaSO4·0.5H2O)、气相组分、电解质溶液；所述磷矿包括主要成分和部分杂质，所述主要成分包括Ca10(PO4)6F2、CaF2和CaCO3；所述部分杂质包括Al2O3、Fe2O3、MgO、SiO2和Na2O；所述磷石膏包括CaSO4、CaSO4·2H2O或CaSO4·0.5H2O中的任意一种或至少两种的组合；所述气相组分包括H2O、CO2或HF中的任意一种或至少两种的组合；所述电解质溶液中的离子包括H+、Ca2+、HPO4 2-、PO4 3-、HSO4 -、SO4 2-、F-或CO3 2-中的任意一种或至少两种的组合；
2)所述物性方法包括全局热力学物性方法和过滤工段物性方法；
其中，所述全局热力学物性方法选择ElECNRTL方法；所述过滤工段物性方法选择SOLIDS物性计算方法；
3)所述流股类型选择MIXCIPSD类型，即同时包含MIXED(处理气相与液相组分)、CIPSD(处理常规固相)两个子流；
所述起始的物料数据和单元操作模块参数信息设置如下所述：
1)所述物料数据包括：磷矿总质量流量、温度、压力、组成及质量百分比、PSD粒径分布；浓硫酸的质量流量、温度、压力、组成及质量百分比；过滤洗水的质量流量、温度、压力、组成及质量百分比；
2)所述单元操作模块参数信息包括：反应器模块的体积、化学反应式、反应动力学方程、操作压力和温度，固液分离模块的出口固相和液相分离比率、出口压力和温度变化，洗涤模块的液固分离比和混合效率，以及分流器模块的分离效率；
(1.5)采集获取工业现场数据包括工艺运行数据和化验数据，对全流程机理模型可靠性验证和关键参数校正，得到校正后的机理模型；
本实施例将校正后机理模型的Aspen Plus模拟结果与工厂实际数据进行了对比，结果如表1所示。可以看出，模拟值与实际值的误差在可解释和可接受的范围(最大误差为10％)内，说明该机理模型能够较好反映半水-二水湿法磷酸生产工艺的真实运行情况，可为下一步分析优化提供可靠依据；
表1
(2)选定过程关键影响变量，采用拟Monte Carlo随机模拟方法生成建模样本数据集；
(2.1)选定过程关键影响变量及变化范围。所述过程关键影响变量包括入口浓硫酸质量流量、各循环料浆倍比、返酸分配比和各真空闪冷器的温降；
(2.2)采用拟Monte Carlo采样方法，生成输入变量的随机抽样数据集；
其中所述拟Monte Carlo采样方法包括：基于Halton序列随机采样方法、Hammersley序列随机采样方法或Sobol序列随机采样方法中的任意一种；
(2.3)搭建Python-Aspen Plus接口，实现在Python环境下启动Aspen模拟仿真计算，以及模拟数据的输入与输出；
(2.4)启动Aspen Plus进行随机模拟仿真实验，生成建模样本数据集。本实施案例中共选取4个输入变量，采用收敛性较好的Sobol序列采样方法，最终生成了1500组样本数据；
(3)采用机器学习算法对步骤(2)所得建模样本数据集进行训练，构建湿法磷酸生产过程代理模型；建模实现步骤如图2所示，具体包括如下内容：
(3.1)样本数据的预处理：为了避免不同特征数据带来的量纲和数量级的差异，首先需要样本集进行归一化和标准化处理，使得特征值和输出值落在[-1，1]范围之间；本实施例采用式(5)对数据做规范化处理；相应的，在预测结束后需要对数据进行反规范化处理。
式中，xn为归一化后的数据；x为原始数据；xmin为x的最小值；xmax为x的最大值；
(3.2)样本数据的随机抽样划分：对归一化处理后的数据，据K折交叉验证法，从数据集每次随机选取总样本数目的(K-1)/K作为训练集，剩余1/K作为验证集，重复K次，产生K组训练-验证数据集组合。本实施案例中随机选取1200组样本数据(占总样本的80％)作为训练集进行模型的建立，300组(占总样本的20％)作为测试集进行模型的验证；
(3.3)代理模型结构的选择，即确定输入与输出变量列表以及机器学习算法种类和结构。本实施例中以关键影响因素(包括进口硫酸质量流量X1、内循环料浆倍比X2、真空闪冷器的温降X3和返酸比例X4)作为输入样本，以磷酸产量Ypra作为输出样本；分别采用回归型支持向量机(SVR)、神经网络(ANN)和随机森林决策回归(RF)算法建立湿法磷酸生产过程代理模型；
(3.4)代理模型最优参数设置：
本实施例中，所述SVR算法基本参数设置如下：选择径向基函数(RBF)作为核函数，惩罚因子C为100，影响因子gama为0.01；
所述神经网络(ANN)算法基本参数设置如下：输入层节点数为4，隐含层节点数为10，输出层节点数为1，激活函数是sigmoid函数，优化算法采用Adam自适应优化算法，神经网络最大训练次数Epoch＝500，目标误差E0＝0.001；
所述随机森林决策回归基本参数设置如下：决策树棵数n_estimators＝100，随机状态参数random_state＝42；
(3.5)利用训练样本集拟合SVR、ANN、RF三种代理模型；
(3.6)利用测试样本数据对所建代理模型进行模型验证和评估，选取预测精度最高的模型作为最终代理模型并保存；如果不满足预测精度要求，则步骤三增加新样本点，继续重新训练代理模型，直至满足精度要求。
其中，所述模型评价指标包括评价绝对误差MAE、均方根误差RMSE和平方相关系数R2，其表达式如式(6)-(8)所示：
式中，yi为样本集中第i个样本输出变量的真实值；m表示原始样本的数目；为对应样本的预测值；/>为输出变量对应的原始样本的平均值；当预测模型的MAE、MSE和RMSE越小，R2越接近于1时，则该模型的预测精度越高；
本实施例中建立的三种代理模型在训练集和测试集上的评价指标结果如表2所示。由表可知，基于RF算法的代理模型无论是在训练集还是测试集上的MSE RMSE、MAE均最小，且相关系R2最接近1，即预测效果要比SVR和ANN模型好。图3a和图3b分别为所建RF模型在训练集(前1200组)、测试集(后300组)的预测结果和相对误差。由图分析可知，RF模型的预测效果较好，绝大部分预测误差范围控制在[-2.5％，2.5％]之间，最大误差不超过10％，这说明所建代理模型具有较好的拟合精度和泛化能力，可以较为准确快捷预测湿法磷酸生产过程的变化情况；
表2
(4)基于代理模型开展磷酸生产全过程操作参数集成优化计算；
(4.1)优化变量的选择：
通过灵敏分析明确关键操作参数对优化目标的影响程度，并按影响程度大小进行排序，选用现场易于调控、影响程度较大的参数作为调优变量。本实施例中直接影响磷酸产品产量和浓度的关键参数有14个，最终选择了影响程度较大、在现场易于调节的7个操作参数作为优化变量，具体参数名称及实际生产波动范围参见表3所示；
表3
(4.2)确定目标函数和约束条件，构建优化模型
其中，所述目标函数包括：以磷收率为优化目标，将磷酸品质(P2O5浓度和SO42-浓度)和磷石膏品质(残磷含量、含水率)作为约束条件。优化目标的表达式如下：
式中，Fpra和Fphr分别为成品磷酸流量和原料磷矿的质量流量；CPA，pra和CPA，phr分别为成品磷酸流量和原料磷矿中的P2O5浓度；
所述约束条件包括：模型等式约束和限制不等式约束。所述模型等式约束即指磷酸生产过程代理模型。所述限制不等式约束包括生产工艺约束、出口产品流量和组分约束、装置负荷约束和决和决策变量的边界条件。具体如下所述：
1)工艺控制指标约束
料浆组分浓度约束：
料浆的温度约束：Ti min≤Ti≤Ti max(11)
真空闪蒸冷却的温度降约束：
2)产品质量与组分约束
成品磷酸组分浓度约束：
磷石膏产品组分约束：
成品磷酸流量约束：
3)装置进负荷约束：
进料流股流量约束：
出料流股流量约束：
4)决策变量边界约束：
式中，F表示质量流量；C表示反应料浆液相的各组分的质量百分含量；T表示料浆温度；UT表示真空闪冷器的温降；X表示优化决策变量；下标j＝phr，sa，ra或rs，分别表示进入反应单元的磷矿、硫酸和返酸；下标k表示料浆组分，k＝PA、SA、CS或SC分别表示料浆中的磷酸、硫酸和固相组分；下标q表示决策变量种类；q＝phr、sa、β或VC分别表示磷矿投入量、硫酸进料量、料浆循环倍率和真空闪冷器的真空度；下标i表示第i反应单元；下标vc表示真空闪蒸冷却器；上标in和out分别表示流股进入和出入；上标min和max表示最小值和最大值要求。
将上面的优化目标、优化变量和约束条件集成在一起，就可以得到湿法磷酸生产全过程优化模型如下：
(4.3)采用智能算法完成上述优化模型的高效求解。对上述所建的优化模型，本实施例采用智能优化算法进行求解获得优化运行方案；所述智能优化算法包括粒子群(PSO)算法、差分(DE)算法或遗传(GA)算法中的任意一种。此外，为了有效处理模型中约束条件，采用基于可行性规则的约束条件处理方法；
所述处理方法的键约束条件设置如下：成品磷酸中P2O5浓度XPA，pra≥37％，成品磷酸中SO4根浓度XSA，pra≤5％，磷石膏中CaSO4含量XSC,prg≥75％；优化算法选取粒子群(PSO)算法，其主要参数设置为：种群规模50，进化代数100，交叉概率0.8，变异函数采用mutationuniform。优化结果如表4所示，可获得最大磷收率为98％，成品酸浓度可达37.5％，SO4浓度控制在4.31％，对应的最优操作参数x1～x7如表4所示；
表4
(5)采用工艺的Aspen plus机理模型进行优化方案的可行性验证：
如果不满足工艺控制指标要求，则修改优化模型的约束条件，继续重新优化计算，直至满足工艺控制指标要求，输出最终可行的优化方案。
本发明提供的方法包括采用Fortran语言编写外挂的磷矿酸解反应和结晶动力学子程序，并嵌入到Aspen Plus平台中，实现了基于Aspen Plus的湿法磷酸生产全流程的严格机理模拟；并基于拟Monte Carlo随机模拟方法，借助于Aspen Plus工艺机理模型随机模拟生成丰富高质量的仿真数据，用于代理模型的训练，解决了湿法磷酸生产工业数据获取成本高、有效数据量不足、数据质量较差等难题；另外，本发明采用机器学习算法建立与实际生产高度吻合的代理模型，并将代理模型与操作参数优化集成计算结合，解决了传统基于机理模型的优化过程耗时长、收敛困难等难题，实现磷矿酸解过程的磷浸取率、产物物性等关键性能指标的快速准确预测，并为生产的实时优化操作与设计改造提供精准的方案和数据支持，节省了大量实验、人力和时间成本。
申请人声明，本发明通过上述实施例来说明本发明的详细结构特征，但本发明并不局限于上述详细结构特征，即不意味着本发明必须依赖上述详细结构特征才能实施。所属技术领域的技术人员应该明了，对本发明的任何改进，对本发明所选用部件的等效替换以及辅助部件的增加、具体方式的选择等，均落在本发明的保护范围和公开范围之内。
申请人声明，本发明通过上述实施例来说明本发明的详细工艺流程，但本发明并不局限于上述详细工艺流程，即不意味着本发明必须依赖上述详细工艺流程才能实施。所属技术领域的技术人员应该明了，对本发明的任何改进，对本发明产品各原料的等效替换及辅助成分的添加、具体方式的选择等，均落在本发明的保护范围和公开范围之内。
Claims (10)
1.一种基于代理模型的湿法磷酸生产工艺全流程模拟与优化方法，其特征在于，所述方法包括如下步骤：
(1)采用Aspen plus完成所述湿法磷酸生产工艺流程的工艺机理模型的构建；
(2)选定过程关键影响变量，通过随机模拟方法生成建模样本数据集；
(3)采用机器学习算法对步骤(2)所得建模样本数据集进行训练，构建湿法磷酸生产过程代理模型；
(4)基于代理模型开展磷酸生产全过程操作参数集成优化计算；
(5)采用工艺的Aspen plus机理模型进行优化方案的可行性验证。
2.根据权利要求1所述的方法，其特征在于，步骤(1)所述构建包括如下步骤：
(1.1)构建磷矿酸解动力学模型和硫酸钙结晶动力学模型，并采用动力学实验数据对磷矿酸解动力学模型和硫酸钙结晶动力学模型的参数进行拟合；
(1.2)采用Fortran分别编写磷矿酸解动力学子程序和硫酸钙结晶动力学子程序，并将子程序分别嵌入到步骤(1.1)所述磷矿酸解动力学模型和硫酸钙结晶动力学模型中，完成半水反应工段中磷矿酸解反应和结晶过程的模拟；
(1.3)在Aspen Plus平台中完成半水-二水湿法磷酸生产工艺模型的搭建；
(1.4)设置Aspen Plus模拟环境全局参数，输入起始的物料数据和单元操作模块参数信息，启动全流程模拟仿真计算；
(1.5)采集获取工业现场数据包括工艺运行数据和化验数据，对全流程机理模型可靠性验证和关键参数校正，得到校正后的机理模型。
3.根据权利要求2所述的方法，其特征在于，步骤(1.1)所述磷矿酸解动力学模型选用的反应模块为RCSTR反应模块，反应动力学模型为固膜表面扩散控制的缩核模型；
优选地，步骤(1.1)所述硫酸钙结晶动力学模型选用的反应模块为Crystallizer结晶模块，反应动力学模型为基于粒数衡算的动力学方程式。
4.根据权利要求2所述的方法，其特征在于，步骤(1.3)所述半水-二水湿法磷酸生产工艺模型包括半水反应过程模型、半水过滤过程模型、二次转化过程模型和二水过滤过程模型；
优选地，所述半水反应过程模型采用RCSTR模块模拟磷矿酸解过程，采用Flash2模块模拟真空闪冷和气液分离过程，采用Crystalizer模块模拟半水硫酸钙结晶过程，流股的合并和分离分别采用Mixer模块和Fsplit模块；
优选地，所述半水过滤过程模型采用Filter模块模拟多段固液分离过程，采用Swash模块模拟多段洗涤过程，采用Fsplit模块模拟过滤槽中滤液与成品磷酸的分离，采用Mixer模块模拟返酸槽中液体的混合；
所述二次转化过程模型采用RStoic模块模拟二水转化反应过程，采用Flash2模块模拟真空闪冷和气液分离过程，采用Crystalize模块模拟二水硫酸钙结晶过程，混合器采用Mixer模块，分流器采用Fsplit模块；
所述二水过滤过程模型采用Filter模块和Swash模块来分别模拟多段固液分离过程和洗涤过程，采用Fsplit模块和Mixer模块分别模拟二水过滤槽中液体的分流和混合。
5.根据权利要求2所述的方法，其特征在于，步骤(1.4)所述环境全局参数包括组分选择、物性方法以及流股类型的设置；
优选地，所述组分选择中的组分包括磷矿、硫酸、磷酸、磷石膏、气相组分以及电解质溶液；
优选地，所述物性方法包括全局热力学物性方法和过滤工段物性方法；
优选地，所述全局热力学物性方法为ElECNRTL方法；
优选地，所述过滤工段物性方法为SOLIDS物性计算方法；
优选地，所述流股类型包括MIXCIPSD类型。
6.根据权利要求1所述的方法，其特征在于，步骤(2)所述建模样本数据集的生成方法包括如下步骤：
(2.1)选定过程关键影响变量及变化范围；
(2.2)采用拟Monte Carlo采样方法，生成输入变量的随机抽样数据集；
(2.3)搭建Python-Aspen Plus接口，实现在Python环境下启动Aspen模拟仿真计算，以及模拟数据的输入与输出；
(2.4)启动Aspen Plus进行随机模拟仿真实验，生成建模样本数据集。
7.根据权利要求6所述的方法，其特征在于，步骤(2.1)所述过程关键影响变量包括入口浓硫酸质量流量、循环料浆倍比、反酸分配比以及真空闪冷气的温降；
优选地，步骤(2.2)所述Monte Carlo采样方法包括基于Halton序列、Hammersley序列或Sobol序列的随机采样方法。
8.根据权利要求1-7任一项所述的方法，其特征在于，步骤(3)所述机器学习算法包括回归型支持向量机(SVR)、神经网络(ANN)或随机森林决策回归(RF)算法中的任意一种；
优选地，步骤(3)所述构建的方法包括如下步骤：
(3.1)样本数据的预处理；所述预处理包括对样本集进行归一化和标准化处理，使得特征值和输出值落在[-1,1]之间；
(3.2)样本数据的随机抽样划分；对归一化处理后的数据，依据K折交叉验证法，从数据集每次随机选取总样本数目的(K-1)/K作为训练集，剩余1/K作为验证集，重复K次，产生K组训练-验证数据集组合；
(3.3)代理模型结构的选择，即确定输入与输出变量列表以及机器学习算法种类和结构；
(3.4)代理模型最优参数设置；
(3.5)利用训练样本集拟合SVR、ANN、RF三种代理模型；
(3.6)利用测试样本数据对所建代理模型进行模型验证和评估；
优选地，步骤(3.6)所述模型评估标准包括：评价绝对误差、均方根误差以及平方相关系数。
9.根据权利要求1所述的方法，其特征在于，步骤(4)所述优化计算包括如下步骤：
(4.1)优化变量的选择：通过灵敏分析明确关键操作参数对优化目标的影响程度，并按影响程度大小进行排序，选用现场易于调控、影响程度较大的参数作为调优变量；
(4.2)确定目标函数和约束条件，构建优化模型：
所述目标函数包括：以磷收率为优化目标，将磷酸品质和磷石膏品质作为约束条件；优化目标的表达式如下：
式中，Fpra和Fphr分别为成品磷酸流量和原料磷矿的质量流量；CPA，pra和CPA，phr分别为成品磷酸流量和原料磷矿中的P2O5浓度；
所述约束条件包括模型等式约束和限制不等式约束；所述模型约束为指磷酸生产过程代理模型；所述限制不等式约束包括生产工艺约束、出口产品流量和组分约束、装置负荷约束和决和决策变量的边界条件；
(4.3)采用智能算法完成上述优化模型的高效求解；
所述智能算法包括粒子群(PSO)算法、差分(DE)算法或遗传(GA)算法中的任意一种。
10.根据权利要求1-9任一项所述的方法，其特征在于，步骤(5)所述可行性验证的结果标准为：
当模拟结果不满足工艺控制指标要求，则修改优化模型的约束条件，继续重新优化计算，直至满足工艺控制指标要求，输出最终可行的优化方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310696627.4A CN116864014A (zh) | 2023-06-13 | 2023-06-13 | 一种基于代理模型的湿法磷酸生产工艺全流程模拟与优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310696627.4A CN116864014A (zh) | 2023-06-13 | 2023-06-13 | 一种基于代理模型的湿法磷酸生产工艺全流程模拟与优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116864014A true CN116864014A (zh) | 2023-10-10 |
Family
ID=88222414
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310696627.4A Pending CN116864014A (zh) | 2023-06-13 | 2023-06-13 | 一种基于代理模型的湿法磷酸生产工艺全流程模拟与优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116864014A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117389236A (zh) * | 2023-12-11 | 2024-01-12 | 山东三岳化工有限公司 | 一种环氧丙烷生产过程优化方法及系统 |
-
2023
- 2023-06-13 CN CN202310696627.4A patent/CN116864014A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117389236A (zh) * | 2023-12-11 | 2024-01-12 | 山东三岳化工有限公司 | 一种环氧丙烷生产过程优化方法及系统 |
| CN117389236B (zh) * | 2023-12-11 | 2024-02-13 | 山东三岳化工有限公司 | 一种环氧丙烷生产过程优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Data-driven iterative adaptive critic control toward an urban wastewater treatment plant | |
| Ruano et al. | Application of the Morris method for screening the influential parameters of fuzzy controllers applied to wastewater treatment plants | |
| Zhao et al. | Performance-based parameter tuning method of model-driven PID control systems | |
| Wu et al. | An intelligent integrated optimization system for the proportioning of iron ore in a sintering process | |
| CN116864014A (zh) | 一种基于代理模型的湿法磷酸生产工艺全流程模拟与优化方法 | |
| CN111650834B (zh) | 基于极限学习机的污水处理过程预测控制方法 | |
| CN109976165B (zh) | 面向多变量分数阶系统的模型预测控制参数解析调优方法及系统 | |
| CN110981021B (zh) | 一种基于模糊bp神经网络的废水高级氧化处理智能加药系统及方法 | |
| Chen et al. | Optimal design activated sludge process by means of multi-objective optimization: case study in Benchmark Simulation Model 1 (BSM1) | |
| Tang et al. | Distributed nonlinear model predictive control through accelerated parallel ADMM | |
| Pantano et al. | A Fourier-based control vector parameterization for the optimization of nonlinear dynamic processes with a finite terminal time | |
| Palma-Flores et al. | Simultaneous design and nonlinear model predictive control under uncertainty: A back-off approach | |
| Han et al. | Multi-objective integrated optimal control for a wastewater treatment process | |
| CN109240362A (zh) | 一种基于分数阶PID控制器的废水pH值调节方法 | |
| Sheik et al. | Design of intelligent control strategies for full-scale wastewater treatment plants with struvite unit | |
| Chen et al. | A dimensionality-reducible operational optimal control for wastewater treatment process | |
| Fulget et al. | MELISSA: global control strategy of the artificial ecosystem by using first principles models of the compartments | |
| Malaysia | Control strategies of wastewater treatment plants | |
| Harja et al. | MPC advanced control of dissolved oxygen in an activated sludge wastewater treatment plant | |
| Luo et al. | Dynamic optimization of aeration operations for a benchmark wastewater treatment plant | |
| Kong et al. | Stochastic optimization for real-time operation of alumina blending process | |
| Liu et al. | Dynamic multi-objective optimization and multi-units linear active disturbance rejection control for wastewater treatment processes | |
| Holenda | Development of modelling, control and optimization tools for the activated sludge process | |
| CN112687345B (zh) | 一种磷酸萃取过程的预测方法和预测装置 | |
| Sun et al. | Chronicle knowledge-based multi-level response prediction for predictive control by forest models in process industry |
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 |