石脑油在SRT-IV型工业炉清洁辐射管中裂解的数学模拟

为了更准确模拟石脑油工业裂解实际生产情况 ,提出基于实际装置的炉膛烟气温度分布的二次函数形式和反应管路的局部压降计算思想。根据Kumar提出的分子反应动力学模型 ,关联质量、热量和动量衡算关系式 ,建立了SRT IV型工业裂解炉辐射段的清洁管工艺裂解数学模型。模拟计算结果表明 ,裂解炉管出口各项指标与工厂现场标定数据吻合较好     

石脑油在SRT—Ⅳ型工业炉清洁辐射管中裂解的数学模型

为了更准确模拟石脑油工业裂解实际生产情况，提出了基于实际装置的炉膛烟气温度分布的二次函数形式和反应管路的局部压降计算思想，根据Kumar提出了的分子反应动力学模型，关联质量，热量和动量衡算关系式，建立了SRT－IV型工业裂解炉辐射段的汪 管工艺裂解数学模型，模拟计算结果表明，裂解炉管出口各项指标与工厂现场标定数据吻合较好。     

SL-Ⅱ型乙烯裂解炉机理建模及在线应用

乙烯裂解炉产物收率的在线预报对于指导生产操作具有重要意义.针对某大型乙烯厂SL-Ⅱ型裂解炉,本文采用分子反应动力学模型,通过估算石脑油混合物性数据、调整1次反应系数,建立了该型号裂解炉辐射段的稳态工艺数学模型.采集实际操作工况数据对所建模型进行了验证,模型计算结果与装置分析值误筹在2%以内,进而将该模型用于裂解产物收率的在线预报,结果表明与色谱仪分析值的趋势一致.本文将基于分子模型和调整算法的机理建模应用于SL-Ⅱ型裂解炉产物收率的在线预报,并进一步探索长期预报的可行性,对乙烯裂解生产操作具有指导意义.     

石脑油裂解过程中一次反应选择性系数的调整方法研究

在分析石脑油裂解炉辐射段的Kumar分子反应动力学模型的基础上,提出了一种应用数据融合技术对Kumar模型一次反应选择性系数进行在线调整的方法。首先,利用进化的遗传算法,以改进的石脑油裂解模型计算出的产率与实际工况产率的误差作为目标函数,对选择性系数进行离线调整,进而建立原料性质与选择性系数相匹配的标准样本数据库。其次,利用数据融合技术中的Dempeter-Shafer证据理论建立模型,计算待估物料与标准样本数据库中样本物料的匹配度,进而对待估原料的一次反应选择性系数进行估算。研究结果表明,利用估算出的一次反应选择性系数建立的裂解工艺模型具有较高精度,将仿真结果与实际工况产率进行对比,证实了该方法的有效性和可行性。     

加氢裂化尾油在SRT-Ⅳ(HC)型裂解炉上裂解建模及应用

介绍了加氢裂化尾油的裂解性能．并针对鲁姆斯SRT-IV(HC)型工业裂解炉,对加氢裂化尾油裂解过程而建立基于Hirato模型的分子动力学模型,模型的一次反应选择性系数的调整采用随机搜索算法,既可以满足碳氢平衡和又可以保证较高的模拟精度。采用特雷纳数值积分算法对所建立的模型作了模拟计算,通过改变操作条件,包括炉管出口温度、停留时间和汽/油比,研究了裂解炉出口产物收率分布的变化情况,对照实际生产数据作分析。证实模型合理,对生产具有参考价值。     

加氢裂化尾油在SRT-IV（HC）型裂解炉上裂解建模及应用

介绍了加氢裂化尾油的裂解性能，并针对鲁姆斯SRT—IV（HC）型工业裂解炉，对加氢裂化尾油裂解过程而建立基于Hirato模型的分子动力学模型，模型的一次反应选择性系数的调整采用随机搜索算法，既可以满足碳氢平衡和又可以保证较高的模拟精度。采用特雷纳数值积分算法对所建立的模型作了模拟计算，通过改变操作条件，包括炉管出口温度、停留时间和汽／油比，研究了裂解炉出口产物收率分布的变化情况，对照实际生产数据作分析，证实模型合理，对生产具有参考价值。     

基于GA-RBF网络的乙烯裂解炉在线操作优化

基于OPC技术实现过程数据的实时采集,并对所需变量进行数据滤波与异常检测,再利用RBF神经网络建立乙烯裂解炉过程多输入多输出(MIMO)裂解产物收率在线软测量模型以及模型校正方法,以乙烯和丙烯收率之和最大为目标,基于遗传算法对RBF神经网络模型进行操作优化,得到裂解过程的最优操作条件以指导生产.实际的工业应用表明,该方法提高了乙烯和丙烯的收率,具有良好的适应性和稳定性,对实际生产有重要的指导意义.     

石脑油裂解过程一次反应选择性系数的估计

本论文提出了一种基于模糊匹配的石脑油裂解过程kumar模型一次反应选择性系数估计方法。首先根据石脑油裂解实验数据建立存有一定数目样本点的标准数据库,标准样本点的一次反应选择性系数是由基于kumar模型的裂解炉模型计算的;然后定义了模糊匹配的隶属度函数,以表征待估物料与标准物料之间的相似程度,通过匹配找出隶属度较大的几个标准样本,并据此估算待估物料的一次反应选择性系数。以某乙烯装置的生产工况为实例进行验证,计算结果町以较好地符合生产实际,证实了该估计方法的有效性。     

基于大数据的水闸安全评价与预测研究

针对传统评价数据源单一、综合性和智能化不高的问题,在水闸安全评价相关理论、方法和应用经验的基础上,引入大数据理论与机器学习技术,协同应用多种水闸运行管理数据,设计了水闸安全评估及预测大数据总体应用框架,阐述了关键技术的实现方法,重点论述了基于大数据的机器学习模型库的建设流程。利用大数据和机器学习技术,建立基于大数据的水闸安全评价与态势预测的智能化应用模型,具有很好的技术支撑和应用价值。     

基于贝叶斯证据方法的裂解产物收率软测量模型

建立裂解产物收率的软测量模型对于乙烯裂解炉的生产具有重要的作用。采用支持向量回归方法可以建立较准确的乙烯裂解产品收率软测量模型,但是正则化参数等模型结构参数的选择对模型的精度仍然具有较大的影响。本文采用基于贝叶斯证据框架的支持向量回归方法,对正则化参数进行了迭代收敛计算,进而改进了乙烯裂解产品收率的软测量模型。在某工业乙烯裂解炉的生产数据上对产品收率进行了仿真验证,取得了良好的效果。     

机器学习在卫星遥测分析建模中的应用

卫星在研制和应用的各个环节产生了庞大的特征和相关性复杂的遥测数据,人工判读或使用专家策略进行分析均无法充分梳理出这些数据的相关性并进一步挖掘和应用它们的价值;利用Python强大的机器学习生态环境和算法,能够实现对卫星遥测数据的分析和建模;以星载铷钟遥测数据为样本,提出了对卫星遥测数据进行算法分析和建立模型的方法,为实现对铷钟的健康状态进行实时评估、预报、精准控制奠定了基础;除遥测数据外,该方法亦可用于分析卫星其它数据,为卫星研制和应用过程中利用机器学习技术提高智化能水平提供了参考。     

基于自适应模糊聚类多模型过程监控及应用

对乙烯裂解炉建立实时监控模型具有重要的现实意义,而传统的多元统计过程监控方法都是假设过程处于单一工况下,而随着过程参数(进料负荷、产品组分等)的改变,工况也随之改变,传统方法便不再适用.本文针对工业过程中的多工况问题,提出了一种基于自适应模糊聚类的多模型过程监控方法,该方法可以减少监控方法对过程知识的依赖性,并且能够适应实际工业过程的非高斯性和非线性特征.首先对影响工况的过程变量利用自适应模糊聚类进行工况划分,然后对每种工况的建模数据分别利用最大方差展开(MVU)提取低维信息,再用支持向量数据描述(SVDD)建立多模型过程监控模型,最后再利用相应的统计指标进行过程监控.将上述方法应用在乙烯裂解炉上,并与基于高斯混合模型的多PCA方法(GMM-MPCA)进行了比较.仿真实验中,监控对裂解炉运行影响最大的33个变量,根据聚类有效性指标,将数据划分为5类时可以得到最佳的聚类效果.通过实验,将33维建模数据降到20维时误报率最小.仿真结果表明该方法在对非线性和非高斯性过程的监控上,能达到很好的效果,误报率和检测率均优于GMM-MPCA方法.     

机器学习在GDP预测分析中的应用研究

应用机器学习思想对GDP数据进行分析,使用遗传算法优化BP人工神经网络建立GDP数据分析模型并进行预测,带回验证表明模型具有较高精度.在机器已习得数据规律后,利用Sestito和Dillon提出的SD算法,对习得知识后的模型进行知识获取的分析,得出一些由机器学习过程而获得的有意义的结论.这种分析方法可以广泛应用到如人口、经济等复杂系统的预测和分析中,分析出相关因子对结果的影响程度,为决策提供第三方的客观依据,具有很强的推广性和实用性.     

复杂网络与机器学习融合的研究进展

近年来,随着大数据技术的进步,复杂网络与机器学习的交叉研究越来越受到众多学者的关注。复杂网络是自然界中众多复杂系统的抽象描述,主要以统计物理的角度研究系统的演化;机器学习又称为统计学习方法,主要研究从大量数据样本提取特征并建立模型。简要综述复杂网络领域主要的网络演化模型、常用统计度量方法以及网络上的动力学过程和机器学习领域内三种基本的学习技术;从交叉应用的两个角度,即基于复杂网络的机器学习方法和基于机器学习的复杂网络信息挖掘,详细对比了各种方法的计算思路。在此基础上,提出目前学界重点关注的两类问题,并展望了若干开放性挑战。     

乙烯裂解炉机理模型在线预报系统的设计与实现

乙烯裂解炉裂解产物收率的在线预报对于指导乙烯生产具有十分重要的意义.本文基于Kumar分子反应动力学模型,针对某大型乙烯厂SL-Ⅱ型裂解炉建立了该炉辐射段的裂解数学模型;采用C#和MATLAB混合编程技术开发了1套乙烯裂解炉产物收率在线预报软件系统;针对长周期运行的情况加入了模型在线调整功能,以随机搜索方式调整1次反应选择性系数,使模型能够及时与当前原料性质匹配.现场运行效果表明,系统的实时性和准确性满足生产要求,平均预报时间在10秒左右,乙烯等主要产物收率的系统预报值与工厂化验值的误差约2%:同时,系统具有良好的实用性,操作简便且运行稳定.该系统基于规范化的软件系统框架实现了乙烯裂解机理模型的实时运行和在线预报,以间接方式获得主要裂解产物收率的实时数据,为进一步指导生产过程优化、提高经济效益奠定了基础.     

一种基于常规物性的石脑油组成的预测方法

乙烯工业与国民经济和人民生活息息相关,针对石脑油裂解制乙烯过程的模拟与优化成为研究热点。为了实现基于自由基的裂解动力学模型的石脑油裂解模拟,需要准确的石脑油详细烃组成数据。本文以石脑油详细烃组成预测系统研究为题,开展基于石脑油常规物性数据预测石脑油详细烃组成的研究工作,所完成的工作具有重要理论意义和应用价值。通过对不同原料产地的8套石脑油详细烃数据的分析,对物性相近的组分进行集总,最终确定了50种预测烃类。改进了利用PIONA值对组成进行族校正和碳数校正的方法。通过对6种不同地区石脑油组成的进一步研究,发现部分同分异构的组成所占比重具有一定规律,优化计算得到组成校正中部分同分异构组成间的分配权重,使组成预测精度进一步提高。     

基于离散过程神经元的乙烯生产装置软测量

针对传统M-P神经网络模型的时间依赖性问题,提出将离散过程神经元应用到乙烯裂解炉软测量中,并将Fletcher-Reeves修正的改进变梯度学习算法应用到离散过程神经元网络,达到提高过程神经元网络的训练速度的目的。最后用乙烯装置的生产数据进行仿真研究,仿真结果表明该改进算法具有明显的快速收敛性,实现了乙烯产率的预测。     

基于动态挖掘的流程工业产品质量模型的研究与应用

针对目前流程工业产品质量控制采用人工检查和统计质量控制方法,缺乏产品质量预先预报以及实时调整生产过程的工艺参数存在困难的情况,利用生产过程采集到的实际数据,采用基于时间序列的动态数据挖掘技术和BP神经元网络,预测产品质量和分析产品生产过程的工艺,最大限度减少不合格产品的产出,提高生产效率.根据上述理论建立流程工业数据动态质量控制平台,以中厚钢板生产过程为例,应用表明了这种方法在实际应用中的正确性和有效性.     

裂解炉炉群负荷分配的实时优化

裂解炉是乙烯生产的核心装置,工业生产中通常采用多台裂解炉并行运行,将烃类原料裂解成乙烯等小分子烃类化合物。在裂解过程中,由于裂解炉原料、裂解炉炉膛燃烧情况等存在差异,导致各台裂解炉的裂解产品也有较大差异。为此,当多台裂解炉并行运行时,涉及到如何在每台裂解炉之间最优化分配原料负荷的问题。但是以往裂解炉优化多侧重于炉群之间原料调度以及单台裂解炉操作参数优化,对于裂解炉炉群负荷的实时动态优化涉及较少。对此,本文提出一种同时考虑裂解炉裂解产品收率、燃料消耗、废锅出口温度约束以及各裂解炉负荷约束模型,同时根据炉群整体最大化目标和各裂解炉实际运行信息,运用改进的差分进化算法实现裂解炉负荷的实时优化,改变了之前总进料由调度确定后,技术人员按裂解炉原始设计进行负荷分配的现状。最后,以某乙烯厂为研究实例进行仿真验证,优化后裂解炉炉群生产效益得到提高,为工厂合理安排生产提供理论依据。