乙烯生产装置优化人工神经网络模型的建立

建立了一个用于乙烯生产装置优化的人工神经网络模型。该神经网络模型是以BP网络为基础的多层网络。该神经网络模型训练过程和应用优化过程是互逆过程。示例表明：训练后的神经网络模型可对乙烯生产装置进行快速工艺参数优化，获得较优的操作数据。     

基于联立方程法的常减压装置优化研究

以某炼油企业的常减压装置为研究对象，利用Aspen Plus流程模拟软件构建了该装置的全流程稳态模型，采用序贯模块法计算模型的基础工况初值，采用联立方程法标定了实际生产参数与模型计算值的偏差。在此基础上，采用联立方程法对实际生产过程中可调的关键操作参数进行了优化，以装置生产利润最大化为优化目标，得出常减压装置的系列优化操作参数。优化计算结果表明，通过对15个关键优化变量进行协同优化，装置经济效益提高了26.86元/t。     

乙烯装置三元制冷系统影响因素及优化研究

制冷系统的良好运行是保证乙烯装置乙烯回收率的关键因素。当乙烯装置负荷较高时，三元制冷系统容易存在冷剂分配不合理、系统操作稳定性差的问题，进而导致脱甲烷塔塔顶温度高、乙烯损失严重等问题。采用过程模拟软件建立三元制冷系统模型，利用稳态模拟和动态模拟分析了裂解气量及其组成变化对三元制冷系统运行的影响，找到了影响该系统稳定运行的关键参数，提出了冷箱及脱甲烷塔针对多种工况的调整方法、三元制冷压缩机三段出口温改方案及脱甲烷塔塔顶跨线调整策略等优化建议，对乙烯装置三元制冷系统的优化操作具有一定的理论指导意义。     

优化裂解常压柴油AGO的分子反应动力学模型参数

应用分子反应动力学模型在乙烯装置SRT-Ⅲ型裂解炉中对常压柴油进行裂解模拟计算,通过优化模型参数使结果与实际值更加吻合,乙烯、丙烯、丁二烯等主要产物的计算误差由原来的30%以下减少到修改后的6%以下.该优化的模型参数可应用到现有SRT-Ⅲ型裂解炉的操作改进和技术改造之中.     

Aspen Plus流程模拟在MTBE装置的应用

介绍应用Aspen Plus模拟软件对MTBE混相床—催化蒸馏装置进行全流程模拟。以装置实际生产工况验证模拟结果,确立模型参数。依据模型计算结果,优化工艺运行条件,提高了装置的运行效益。     

乙烯裂解深度的过程控制

以控制乙烯深度裂解,实现生产工况更平稳、产品质量更好和有效降低操作人员的劳动强度为目的,采用APC技术对乙烯裂解深度实施控制。根据装置特点,确定热值前馈—炉管平均出口温度—燃料气流量—控制阀的串级控制方案,实现了裂解深度平稳控制。在正常工况下,裂解深度可控制在设定值的±0.020范围内,稳定了乙烯和丙烯产品的收率比率关系,提高了裂解炉抗外界干扰的能力。装置运行实际证明,应用APC技术可有效减少生产装置运行波动、稳定并优化产品质量,实现优化操作、降低物耗能耗、减轻操作人员劳动强度,取得了显著的经济效益。     

多周期操作工况下无分流换热网络的弹性设计

提出了基于多周期无分流换热网络的超结构形式及弹性设计方法——同步优化方法。首先建立网络多周期操作工况下的超结构模型，然后用遗传算法对上述模型进行求解。该方法能自动地合成多周期操作工况的换热网络最优流程结构。通过某个换热网络的最优合成设计，说明方法的有效性和应用前景。     

大型乙烯生产装置产品分布预测

针对乙烯裂解过程提出了一个模拟模型，该模型从反应动力学机理出发，利用一组神经网络组成的一次反应选择系数及反应参数估值器对乙烯裂解过程进行了模拟。用实测数据对人工神经网络进行了训练，获得了较好的过程模拟结果。该模型可用于生产过程的优化方案。     

级联型天然气液化HYSYS计算模型研究

LNG调峰站主要用于天然气液化调峰使用,调峰装置的推广使用会对我国液化天然气工业发展产生深远影响。法国燃气公司所采用的新型级联型天然气液化流程调峰装置代表了目前国际上天然气液化流程的发展趋势。由于国外公司并没提供该装置的模拟计算,致使生产运行中有些参数无法进行优化控制。结合该装置的生产运行参数,采用国际上著名的HYSYS软件进行模拟、分析、研究和计算,找出其中的关键参数控制点。该模型研究不仅对天然气液化设计提供理论依据,还可对所建装置进行生产分析,优化系统参数,提高运行负荷,以最少的能耗获得更高的产率。该计算模型研究对于国内开展天然气液化设计提供理论上的指导;对所建天然气液化装置提供参数优化、工况考核等技术支撑。     

APS控制系统在乙烯装置中的应用

根据大庆乙烯改扩建工程投产后乙烯原料组织及生产工艺的变化情况,在现有APS模型基础上进行结构调整和完善;使用RPMS软件建立基于乙烯原料及生产方案优化的模型,对不同裂解炉的进料和装置能力进行分别控制,实现了乙烯原料及生产方案优化。     

裂解深度神经网络控制系统的研究

提出了运用Elman型回归神经网络来建立裂解深度软测量模型,解决控制参数测量中在线分析仪表的滞后等问题。基于裂解深度软测量模型,在DCS(DistributedControlSystem)中开发并实施了裂解深度智能控制系统,通过它与已有的裂解炉出口温度先进控制系统的集成,实现裂解炉裂解深度的平稳控制。现场运行结果表明,该系统的投用有效提高了裂解炉裂解产物中乙烯和丙烯的收率,进一步提高了乙烯裂解装置的经济效益。     

基于不同人工神经网络的催化裂化焦炭产率预测对比

在催化裂化装置（FCC）中,焦炭产率增加不但会使装置的总液收降低,而且会影响装置的热平衡,增加装置的操作难度。控制催化裂化装置焦炭产率十分重要,而其前提是能够准确预测装置的焦炭产率。催化裂化焦炭的生成和烧焦过程是一个连续的过程,影响参数众多且各参数之前互相影响,使用传统的方法建立多参数的预测模型具有一定的难度。本文利用人工神经网络(ANN)结合催化裂化装置的生产数据分别建立了GRNN神经网络预测模型和BP神经网络预测模型。对比分析结果表明,BP神经网络预测结果的准确度和稳定性优于GRNN神经网络。为进一步提高BP神经网络的预测效果,又分别使用了粒子群算法(PSO)和遗传算法(GA)对其进行优化。对比分析两种优化算法表明,两种优化算法均能提高BP神经网络的预测精度,综合考虑预测结果的准确性和稳定性两个方面,经遗传算法优化的BP神经网络预测模型优于经粒子群算法优化的BP神经网络预测模型。     

基于改进神经网络的丙烷回收流程多目标优化

利用流程模拟软件HYSYS,根据某处理厂的实际运行数据,模拟不同操作参数下丙烷回收的直接换热流程(DHX),分析了低温分离温度、DHX塔顶温度、回流罐温度对丙烷收率及系统能耗的影响规律。以改进后的BP神经网络建立流程多目标优化模型,采用NSGA-Ⅱ算法对其进行多目标求解。其结果表明:改进后的BP神经网络对丙烷收率及系统能耗的预测精度高,相对误差均在2%以下。用NSGA-Ⅱ算法得到的Pareto解集能够为流程的设计与实际生产提供指导性作用。     

Prediction of Coke Yield of FCC Unit Using Different Artificial Neural Network Models

In fluid catalytic cracking(FCC) unit, it is greatly important to control the coke yield, since the increase of coke yield not only leads to the reduction of total liquid yield, but also affects the heat balance and operation of FCC unit. Consequently, it is significant to predict the coke yield accurately. The coke formation and burning reactions are affected by many parameters which influence each other, so it is difficult to establish a prediction model using traditional models. This paper combines the industrial production data and establishes a generalized regression neural network(GRNN) model and a back propagation(BP) neural network model to predict the coke yield respectively. The comparison and analysis results show that the accuracy and stability of the BP neural network prediction results are better than that of the GRNN. Then, the particle swarm optimization to optimize BP neural network(PSO-BP) and genetic algorithm to optimize the BP neural network(GA-BP) were further used to improve the prediction precision. The comparison of these models shows that they can improve the prediction precision. However, considering the accuracy and stability of the prediction results, the GA-BP model is better than PSO-BP model.     

基于PCA—RBF神经网络的乙烯氧化反应器收率预测模型

依据工艺机理和先验知识,初选了乙烯氧化反应器的收率神经网络预测模型的输入变量,用主元分析方法对输入变量进行主元分解,消除了变量之间的相关性,减少了输入变量数,简化了RBF神经网络的结构,仿真结构表明,PCA-RBF网络模型结构具有很强的预测能力。     

以BP神经网络为基础的MIP工艺过程产品分布优化

催化裂化是一个高度非线性和强耦合的系统,传统的机理模型很难描述,而BP神经网络具有强大的非线性拟合和自学习能力。以某炼油厂1Mt/a的MIP装置反应-再生系统为研究对象,选取包括原料油性质、再生剂性质、操作条件的19个变量为神经网络模型的输入变量,液化气、汽油、柴油、焦炭收率为输出变量,建立了19-24-4 结构的BP神经网络。在此基础上,考察了原料油预热温度、一反出口温度、二反出口温度、反应压力对产品分布的影响,并采用遗传算法得到使汽油收率最优的操作条件。结果表明,所建立的模型具有良好的预测和外推能力,可为工业装置操作条件的优化提供指导。     

采用BP神经网络预测石脑油裂解烯烃收率

在乙烯裂解工业装置的典型操作条件下,分别选取正构烷烃、异构烷烃、环烷烃、芳烃为裂解原料,考察了这些模型化合物的蒸汽裂解产物分布情况。结果表明,正构烷烃是优质的乙烯裂解原料,乙烯收率为36%~45%;异构烷烃的丙烯收率约为23%,明显高于正构烷烃;环烷烃裂解乙烯和丙烯收率较低,丁二烯收率则较高,为14%~15%;芳烃很难裂解生成烯烃。建立了包含2个隐层的级联前向BP神经网络,以模型化合物和石脑油样本裂解烯烃收率为依据对该神经网络进行训练,确定了模型参数,并对2种石脑油的裂解烯烃收率仿真数据与实验结果进行了对比。结果表明,二者的误差小于1个百分点,该模型可用于预测石脑油裂解的烯烃收率。     

基于BP神经网络的重油催化裂解模型

基于BP神经网络,利用重油催化裂解反应过程的试验数据,以涉及原料性质、催化剂活性、操作条件等的11个参数作为输入变量,以乙烯、丙烯和轻芳烃 BTX（苯、甲苯、二甲苯）的产率作为输出变量,构建了结构为11-12-3、以贝叶斯算法为学习算法的BP神经网络重油催化裂解模型,并进行了验证。结果表明,该模型对乙烯、丙烯和BTX产率的预测平均相对误差分别为4.59%,3.92%,2.28%,说明所建模型对重油催化裂解反应产物产率的预测效果较好。     

Optimizing product distribution in the heavy oil catalytic cracking (MIP) process

The artificial neural network provides an effective way to handle a non-linear and strong coupled reaction system because of its strong nonlinear prediction and self-learning ability. A 19–24-4 type of back propagation (BP) neural network that can predict the product distribution of a fluid catalytic cracking maximizing iso-paraffin unit was established using 19 input variables including properties of feedstock and regenerated catalyst and operating variables. The influences of the operating variables on product distribution were simulated, and the operating variables were optimized to maximize gasoline (GS) yield by a genetic algorithm. The predicting results agreed well with the industrial data, and a significant improvement in the GS yield was gained.