烃类液体黏度的定量结构性质预测模型

开发了结构性质关联模型(QSPR),实现了基于烃类化合物的结构特征预测黏温特性的功能。搜集了254种烃类化合物不同温度下的黏度数据,选择改进的Andrade方程来描述烃类化合物的黏温特性曲线,并通过对实验数据进行回归,获得了化合物的Andrade方程参数B和T_0。在此基础上,采用分子质量和15个基团作为分子的结构特征参数,建立神经网络模型预测Andrade模型参数B和T_0,平均相对误差分别为3.59%和1.27%。通过所预测的Andrade模型参数计算化合物的黏温性能,预测值与实验数据相比绝对平均误差为0.42 m Pa·s。     

俄罗斯渣油加氢处理技术开发与工业应用

俄罗斯是我国最大原油供应国之一,俄罗斯渣油中硫、氮、残炭、金属含量均较高,无法直接进入催化裂化装置加工,需要进行渣油加氢处理。本文利用核磁、傅里叶变换高分辨质谱等技术手段对俄罗斯渣油分子结构进行了详细表征,并根据其性质和分子结构特点,对PHR系列催化剂及级配进行适应性优化改进,开发形成了俄罗斯渣油加氢处理技术。工业应用结果表明,开发的俄罗斯渣油加氢处理技术具有非常出色的原料适应性和活性稳定性,能够实现俄罗斯渣油中S、N、Ni、V深度脱除和残炭深度转化,催化剂运行时间达到19416h,1t催化剂加工处理原料油达到6000t,均比设计值高62%。通过分析加氢渣油中未被脱除的氮化物分子形态,提出了实现技术持续优化改进的方向。     

汽油分子组成模型构建

针对汽油建立了分子库,并开发了汽油分子组成模拟的方法,使所得结果可以用于以后的加工模拟和调和模拟中。根据汽油分子的结构特点,预定义了166个分子,并采用模拟退火的方法优化,通过汽油的宏观性质反算其分子组成。研究采用一套催化裂化汽油的数据验证了模型的准确性。所得关键性质的预测值与实验值平均相对偏差小于2%,全性质平均相对偏差小于5%。所得PIONA组成分布趋势与实验值基本一致,可以认为模型模拟所得的汽油分子组成能够代表该汽油样品的实际组成。     

基于图卷积神经网络汽油单体烃辛烷值的预测

基于图卷积神经网络的神经指纹方法,引入了池化操作,建立了改进的神经指纹方法;进而采用改进的神经指纹法建立了汽油单体烃辛烷值的预测模型,作为对分子级汽油辛烷值调合模型的支撑。通过用单体烃沸点和临界温度数据集对预测模型进行验证,发现池化操作的引入对神经指纹法的预测能力有明显提升,改进神经指纹法模型可自动选取对辛烷值有利和不利的结构特征,双键结构对单体烃马达法辛烷值的影响比芳环结构的影响更大。该预测模型对研究法辛烷值和马达法辛烷值的预测达到了同等水平,取得了良好的预测效果。     

基于PR状态方程的柴油中氢气溶解度预测模型构建

以PR状态方程作为基础热力学模型,收集柴油中典型化合物的氢气溶解度实验数据,回归计算不同条件下PR状态方程中氢气与典型化合物的二元交互作用参数,通过经验关联提出二元交互作用参数的计算关联式,结合PR状态方程建立柴油中氢气溶解度预测模型。基于所开发模型,对典型模型化合物的氢气溶解度进行预测,得到氢气在直链烷烃、环烷烃和芳香烃中的溶解度预测值与实验值的平均相对误差分别为4.45%,11.84%,8.50%。对不同柴油在不同温度及压力下的氢气溶解度进行预测,模型预测值与实验值取得良好一致性,所开发模型可用。