反向传播网络在乙烯裂解炉预测分析中的应用研究

利用MATLAB工具箱中的BP神经网络模型建立了乙烯裂解炉的三层神经网络模型,分析和预测了裂解产物乙烯和丙烯的收率,将预测的结果和生产过程数据作比较,结果表明,该模型的预测值和实际生产数据值吻合很好,可用于乙烯生产的预测分析和预测控制。     

国产隔热材料在乙烯裂解炉中的应用

针对我国石油化工行业乙烯装置裂解炉内衬用轻质隔热耐火材料的问题分析，探讨了国产高温隔热材料在裂解炉上的应用技术及最优化方案，指出通过改良砖材结构中矿物组成可提高隔热材料的使用寿命，论述了优化隔热砖的节能效果，及其在工业炉，窑中的应用前景。     

BP神经网络在预测石南31油田产量变化中的应用

本文提出了利用BP神经网络快速预测油田单井产量的方法。石南31油田在投产初期即投入注水开发,并在开发过程中实施过酸化压裂、补孔等措施,使得产能影响因素较多,且各种因素交互重叠,为用常规方法进行产量动态预测造成很大的困难。为了准确实时地调整开发技术政策,本文选用了BP神经网络,利用油田生产动态数据,应用MATLAB7.0建立了石南31油田产量预测模型,提高了预测的精度。研究结果表明,这是一种可行的方法。     

改进BP神经网络在胎面挤出参数预测中的应用

采用隐含层数为4,每个隐含层单元数为10的改进BP神经网络预测销钉机筒冷喂料挤出机的胎面挤出参数.与传统BP神经网络相比,改进算法采用惯性冲量校正、限幅输出和步长自适应解决传统算法学习速度慢且易于陷入局部最小值的问题.Matlab仿真表明,改进算法的收敛速度和收敛效果均明显比传统BP神经网络算法好.训练好的神经网络对胎面挤出过程的参数预测和试验结果间的最大误差为1%,大部分误差小于0.5%.     

BP神经网络在爆破块度预测中的应用研究

本文应用BP神经网络对水泥矿山爆破块度进行仿真预测研究,使用Matlab软件建立一个3层前馈型BP神经网络模型,并在网络模型训练完毕后进行实测样本的仿真预测验证。试验结果表明,应用BP神经网络模型预测矿山爆破块度分布完全可行,且具有较高的精度;网络模型还可在矿山爆破参数优化设计方面起到辅助验证的作用。     

乙烯装置裂解炉节能降耗措施分析

研究与实施乙烯装置裂解炉节能降耗是石油化工产业发展的必然结果。主要从裂解原料的选择与优化、烧焦控制方案的改良、热效率的提高、新型节能技术的应用以及裂解炉管理的加强等五个方面分析了乙烯装置裂解炉节能降耗措施。     

BP神经网络在多元掺合料砂浆强度预测中的应用研究

掺有磷渣、粉煤灰和硅灰的多元掺合料砂浆具有优异的工作性能,但目前还没有有效的配比数学模型.为此,在多元掺合料砂浆配比试验的基础上,利用神经网络理论,建立了多元掺合料砂浆性能预测的神经网络模型.采用遗传算法对BP神经网络进行优化,发挥各自特长,以解决多元掺合料砂浆28d抗压强度的预测问题,取得了较好效果.     

SL-Ⅰ型裂解炉在燕化乙烯装置改扩建中的应用

介绍了中国石化北京燕山石油化工公司化工一厂乙烯装置SL-Ⅰ型裂解炉的工艺特点、设计、施工、开车及考核结果。作为以CBL技术为主的SL-Ⅰ型炉,其各项工艺指标均达到设计指标。     

乙烯装置裂解炉节能降耗

介绍了齐鲁石化乙烯装置近年来在裂解炉节能降耗方面所做的工作及取得的进展,主要针对齐鲁石化乙烯装置近年来通过裂解炉技术改造、新技术应用和精细化管理等方面采取的措施,降低裂解炉能耗的工作进行阐述.     

空气预热器在乙烯装置裂解炉的应用

阐述了空气预热器在扬子石化乙烯装置裂解炉的应用情况,并根据标定结果进行了经济指标分析。结合扬子石化乙烯装置的实际情况提出了建议。     

乙烯裂解炉结焦抑制剂的研究进展

在乙烯装置中,裂解炉结焦是制约装置运行的重要因素。在裂解原料或稀释蒸汽中添加结焦抑制剂是目前延长装置运转周期较为有效的方法之一。综述了国内外乙烯裂解炉结焦抑制剂的技术进展和发展方向,结合我国乙烯裂解装置的情况,提出应加强结焦抑制剂的研究开发,降低抑制剂的成本,优化工业化加剂方案,提高抑制剂的应用技术水平等建议。     

基于BP神经网络电子评标方法的研究和应用

为了解决招投标中评标环节专家评审法随意性大的问题,针对建设工程的不同特点,对评标内容进行分类剖析.利用人工神经网络的智能识别功能,建立基于神经网络的电子评标方法.结合人工神经网络的自适应功能、良好的容错能力以及非线性数据处理特点,科学地评价多因素建设工程投标方案,使招标商从众多的投标商中选出最佳的中标单位.     

Differential recurrent neural network based predictive control

In this paper an efficient algorithm to train general differential recurrent neural network (DRNN) is developed. The trained network can be directly used in the nonlinear model predictive control (NMPC) context. The neural network is represented in a general nonlinear state-space form and used to predict the future dynamic behavior of the nonlinear process in real time. In the new training algorithms, the ODEs of the model and the dynamic sensitivity are solved simultaneously using Taylor series expansion and automatic differentiation (AD) techniques. The same approach is also used to solve the online optimization problem in the predictive controller. The efficiency and effectiveness of the DRNN training algorithm and the NMPC approach are demonstrated through a two-CSTR case study. A good model fitting for the nonlinear plant at different sampling rates is obtained using the new method. A comparison with other approaches shows that the new algorithm can considerably reduce network training time and improve solution accuracy. The DRNN based NMPC approach results in good control performance under different operating conditions.     

BP神经网络在合成镁钙砂中的应用

利用人工神经网络技术 ,建立BP网络模型 ,通过网络的学习训练 ,能够比较准确地预测影响合成镁钙砂粉化率的因素     

用BP神经网络模型预测密炼机主要性能参数

以转子转速、填充因数、压砣压力和冷却水温度作为输入参数，用BP神经网络模型预测密炼机消耗的最大功率、单位能耗、混炼时间、生产能力和排胶温度等性能参数。实验值与预测值比较表明，BP神经网络模型预测精度能满足定量计算的要求，为分析密炼机复杂的混炼过程提供了一条新途径。     

BP神经网络的发展及其在化学化工中的应用

人工神经网络（ANN）由于本身具有极强的非线性映射能力、容错性、自学习能力得到广泛的应用。基于反向传播算法（BP）的神经网络作为ANN重要组成部分,在涉及多种非线性因素建模时,相对于传统的反应机理建模显示出巨大的优势。虽然神经网络的发展几经繁荣与冷落,但目前在不同领域已经获得成功的应用。本文概述了BP神经网络的映射原理、缺点以及相应的改进方法,介绍其在催化剂设计、动力学模拟、理化特性估算、过程控制与优化、化学合成与反应性能预测的应用现状,展示了使用不同优化方法的改进模型在实验设计与优化方面取得的成果。最后指出未来BP神经网络的发展要进一步结合数据深度挖掘与机器学习等技术,为今后化学化工领域的研究提供强有力的工具。     

Modelling of heat transfer and pyrolysis reactions in an industrial ethylene cracking furnace

The development of a relatively simple mechanistic model for an industrial ethylene cracking furnace is described, including the estimation of selected model parameters to improve model predictions. Energy balance equations are developed to account for radiative, conductive, and convective heat transfer in the radiant section, and for convection and conduction in the ultra‐selective heat exchanger (USX) and in the transfer line exchanger (TLE). Kinetic schemes by Ranjan et al. and Sundaram and Froment are used to model the cracking reactions. 1 , 2 The heat transfer model is combined with mass and momentum balances to model gas composition, pressure, and temperature changes as a function of position along the reactor tubes. Initial values and uncertainty ranges are assigned to 44 model parameters based on information in the literature and our industrial sponsor. A sensitivity‐based technique and a mean‐squared‐error (MSE) criterion are used to select the appropriate subset of 22 parameters for tuning. Parameters are estimated and model predictions are validated using industrial data. Model predictions provide a good match to data that were not used for estimation.     

应用bp神经网络技术识别火成岩岩性

火成岩岩石在结构上和矿物成分上都比较复杂,火成岩岩性的精细识别一直是近年来石油系统不断深入研究的课题,本文采用新疆油田K92井区和DX地区资料做分析,以岩心、测井等资料为基础数据,建立岩心—测井数据库,然后采用BP神经网络技术进了研究和实践,为火成岩岩性识别提供技术思路。     

BP神经网络计算乙醇-环己烷-水体系汽-液平衡

基于带动量因子的 BP神经网络 ,以实验测定的乙醇 (1) -环己烷 (2 ) -水 (3)体系在 35℃、5 0℃、6 5℃的汽液平衡数据为训练和预测样本进行了计算 ,选择温度、X1 和 X2 3个参数作为输入 ,Y1 、Y2 和 Y3作为输出 ,隐层单元数为 9,学习速率为 0 .5 ,动量因子为 0 .12 8。对 Y1 ,Y2 ,Y3,神经网络计算的训练平均误差分别为 :0 .0 0 71,0 .0 101,0 .0 0 6 0 ,预测平均误差分别为 :0 .0 0 6 5 ,0 .0 12 4 ,0 .0 0 6 0 ,小于 NRTL 模型计算的相应误差。为相平衡计算提供了新的有效的工具。