人工神经网络基团键贡献法预测烷烃闪点

建立了一个基于人工神经网络方法的基团键贡献模型,用于预测烷烃闪点。该模型既考虑了分子中基团的特性,又考虑了基团之间的连接性(化学键)。以16种烷烃基团键作为神经网络的输入参数,研究了44种烷烃的闪点与分子结构之间的相关性。结果表明,闪点预测值与实验值符合良好,绝对平均绝对误差6.0 K,绝对平均相对误差2.15%,优于传统基团贡献法所得结果。该方法的提出不仅揭示了烷烃闪点与分子结构之间的定量关系,而且为工程上提供了一种预测有机物闪点的新的有效方法。     

基团贡献人工神经网络法估算有机物常压沸点

基于基团贡献应用人工神经网络法对有机物的常压沸点进行了估算 ,输入参数为有机物的基团数 ,输出为常压沸点 ,本方法具有很好的灵活性 ,并能考虑到基团的相互作用 ,189个样本估算的平均相对误差仅为 1.5 9%     

预测复杂高沸点重质油馏分平均沸点的基团贡献法

采用超临界流体萃取分馏技术,在较低温度下(<250℃)将重质油分离成多个窄馏分,结合物性及¹H-NMR、¹³C-NMR分析确定其化学结构,构建重质油馏分的等价分子模型,并采用高温模拟蒸馏测定馏分的平均沸点至950K.以Rarey提出的预测纯化合物的基团贡献沸点新方法为基础,依据重质油馏分结构参数确定了12种基团类型,原模型基团贡献值保持不变.用原模型预测俄罗斯渣油馏分沸点,与C₅₀以下的馏分沸点实验值有较好的一致性,但对更重馏分误差大.对原模型沸点与总原子数的变化关系进行了修正,修正模型对两种不同基属原油的常压渣油和减压渣油馏分的沸点预测与实验值的平均误差为1.4%,同时能较准确估算高沸点正构烷烃的沸点,进一步验证了重质油馏分结构模型的合理性.结合改进的基团贡献法和超临界流体萃取分馏技术,可将重质油沸点预测延伸到1050K,碳原子数范围扩展到100个碳原子,为重质油馏分沸点估算提供了一种新的方法.     

改进对应态基团贡献法用于纯物质偏心因子估算

将对应态基团贡献法(CSGC)提出的拟临界性质应用于Lee-Kesler方程,提出新的纯物质偏心因子ω估算方程(CSGC-LK方程),对包括烷烃、烯烃、炔烃、卤代烷烃、环烷烃、环烯烃、二烯烃、醇、醚、酮、酸与酸酐、醛、酯、含硫化合物、含氮化合物、含氧多基化合物、芳烃、卤代苯和酚等20类376种物质偏心因子数据采用非线性最小二乘法进行关联,得到CSGC-LK方程的8个常数值和69种基团贡献参数值,ω总平均相对误差为5.47%。为进一步考察CSGC-LK方程的预测精度和适用范围,对7种未参加回归物质的偏心因子进行了预测,ω总平均误差为3.46%,预测精度良好。     

煤液化油馏分蒸发焓的测定方法

蒸发焓是液相物质重要的热力学性质,结合煤液化油窄馏分的特点进行了蒸发焓测定方法的选择,在对蒸发焓的各种测定方法分析总结的基础上,指出了各种方法的使用范围、优缺点及其研究现状,归纳和探索了适合于煤液化油馏分这类复杂混合物的蒸发焓测定方法。     

煤液化油窄馏分临界性质的研究(Ⅱ)假临界压力

为考察石油馏分假临界压力的经验关联式对神华煤液化油窄馏分的适用性,对神华煤液化油300℃之前馏分进行实沸点实验,切割成8个窄馏分,利用基团贡献法计算得到110~200℃馏分的假临界压力计算值随着蒸馏温度的升高而增大,200~300℃馏分的假临界压力随着蒸馏温度的升高而减小。采用不同计算关联式得到的窄馏分假临界压力与基团贡献法计算值相比较,由周佩正推荐式得到的假临界压力计算结果优于其他关联式,除150~180、180~200和220~240℃馏分外,其他馏分的假临界压力计算值与基团贡献法计算值的相对误差都在5%之内。     

采用NEDOL法计算煤液化油窄馏分样品的准确性

在对比大量样品和实验数据的基础上对煤直接液化油窄馏分样品的计算方法进行了研究和讨论,通过与冰点降低法分析结果相比,考察了NEDOL法计算煤直接液化油窄馏分样品分子量的准确性.结果表明,用NEDOL法计算四种煤直接液化油窄馏分样品的分子量时,47个样品的计算结果与冰点降低法测定结果十分接近,对神华油样品来说,两种方法的平均误差为-1.7;对胜利油样品来说,两种方法的平均误差为-1.3;对内蒙油样品来说,两种方法的平均误差为-3;对黑山油样品来说,两种方法的平均误差为-2.7.NEDOL法可直接用于计算液化油平均分子量.     

煤液化油窄馏分饱和蒸气压和蒸发焓的测定及计算

用三次膨胀法对煤直接液化油窄馏分的饱和蒸气压进行了测定。实验结果显示,在同一测试温度下,饱和蒸气压随窄馏分蒸馏温度的升高而降低,相同蒸馏温度下,随测试温度的增大而增大;煤液化轻油馏分与纯物质饱和蒸气压一样,其对数值与温度的倒数呈现出良好的线性关系。同时还对测量数据进行线性回归,并使用克劳修斯-克拉佩龙方程进行了蒸发焓的计算,结果显示,随蒸馏温度的提高,窄馏分的蒸发焓数据呈上升的趋势。     

煤液化油实沸点蒸馏的模拟实验

采用TD200简易蒸馏装置对石油醚和液体石蜡进行了实沸点蒸馏，得到实沸点蒸馏数据，并绘制了实沸点蒸馏曲线和各馏分质量百分数与温度关系曲线，得出主要馏分所在的沸程分别为石油醚64．5℃～68℃，液体石蜡412℃～420℃；同时计算出了二者的平均沸点为65.73℃和404．36℃．这些曲线及数据不仅对石油醚和液体石蜡的组成和使用性能有参考价值，而且这种分析方法为煤液化油的实沸点蒸馏奠定了基础。     

煤液化油馏分热力学性质的研究进展

为便于了解煤液化油品的性质,介绍了煤液化油组成的分析方法,详细介绍了煤液化油馏分的密度、分子量、黏度、临界性质、表面张力、蒸气压、蒸发焓和比热等热力学性质测量与估算的方法以及研究进展,可为煤液化工程设计提供参考。     

Prediction of the flash points of alkanes by group bond contribution method using artificial neural networks

A group bond contribution model using artificial neural networks, which had the high ability of nonlinear of prediction, was established to predict the flash points of alkanes. This model contained not only the information of group property but also connectivity in molecules. A set of 16 group bonds were used as input parameters of neural networks to study the correlation of molecular structures with flash points of 44 alkanes. The results showed that the predicted flash points were in good agreement with the experimental data that the absolute mean absolute error was 6.9 K and the absolute mean relative error was 2.29%, which were superior to those of traditional group contribution methods. The method can be used not only to reveal the quantitative correlation between flash points and molecular structures of alkanes but also to predict the flash points of organic compounds for chemical engineering. __________ Translated from Chemical Engineering (China), 2007, 35(4): 38–41 [译自: 化学工程]     

BP网络预测H_2在煤液化油混合组分中的溶解度

为满足煤制油工业化过程中设计和操作需要,以H_2在神华煤液化油模型组分混合溶剂中实测溶解度为基础,考察利用人工神经网络法预测H_2在该系统中溶解度的能力。结果表明,神经网络的计算精度随着循环次数的增加而提高;对于不同种类的混合溶剂,随着隐藏层个数的增加,计算值与试验值之间的相对误差呈现逐渐减小的趋势,从减小计算量的角度考虑,选定为4个隐藏层;3-4-1网络结构对于H_2在不同混合溶剂中溶解度的计算值与试验值最大相对误差为4.48%,这表明该模型能够满足H_2在该系统中溶解度的预测需要。     

煤直接液化低分油加氢脱硫脱氮反应动力学研究

为了进一步了解煤直接液化油中硫氮化合物的形态和性质,采用石油研究中的先进分析手段GC-PFPD和GC-NCD,对煤直接液化低分油进行了分析,获得了详细的硫氮化合物组成含量。结果发现:煤直接液化低分油中含有大量的杂环化合物,S主要以苯并噻吩类和二苯并噻吩类化合物存在,N主要以五元环化合物形式存在。在高压釜中进行了催化剂添加量和不同温度条件下的加氢实验,对总硫总氮的加氢反应动力学进行了研究。通过计算得到了高压釜煤液化油加氢脱硫反应的一级反应动力学模型,且通过模型计算的S含量与反应实测的S含量相对误差仅为7.8%;对实验得到的震荡式高压釜中煤液化油加氢脱氮反应的一级反应动力学模型进行验证,发现相对误差也仅为0.97%。     

煤直接液化油中硫氮化合物的类型分布

为研究煤直接液化油中硫氮化合物的类型分布,根据煤直接液化油的特点,采用GC-PFPD和GC-NCD方法分别优化煤直接液化油中硫氮化合物的分析条件,获得了煤直接液化油中硫、氮化合物的组成及含量。结果表明,煤直接液化油中硫主要以苯并噻吩类和二苯并噻吩类化合物存在,两者占原料油中总硫含量的90%以上,是煤直接液化油加工脱硫的主要对象;煤直接液化油中氮主要以五元杂环含氮化合物形式存在,占比32%,主要代表物质是吲哚类和咔唑类化合物,两者占原料中总氮含量的50%左右,是煤直接液化油加工脱氮的主要对象。     

神府煤液化油石脑油馏分重整生产芳烃的研究

由于煤液化油石脑油馏分(200℃)中芳烃潜含量较高,利用煤液化油石脑油馏分为原料,进行加氢精制,将原料中的硫氮含量降至1 mg/kg左右,满足重整进料要求,然后在小型固定床连续反应器上进行加氢重整生产芳烃试验。着重考察重整反应前、后族组成的变化及主要芳烃化合物的产率。结果表明,加氢重整过程中发生正构烷烃异构化反应;环烷烃主要发生脱氢芳构化反应转化为芳香烃;煤液化油石脑油馏分适宜进行催化重整,C_1~C_4烃气产率6.03%,氢气产率3.60%;重整后,芳烃含量达83.20%,其中C_6~C_8芳烃含量61.03%,是提取BTX的良好原料。石脑油的馏程对芳烃的组成和产率有一定影响,适宜的馏程为60~160℃。     

煤直接液化油催化加氢脱硫脱氮的研究

S、N的脱除是煤直接液化油加工的重要方面,为了更好的对煤液化油进行加工利用,系统分析了目前煤液化油加氢脱硫脱氮的研究。主要从油品组分、实验室反应条件和工艺以及动力学4个方面进行了介绍。结果发现:石油行业中关于含硫氮化合物的分析手段(如GC-AED、GC-PFPD)可以进一步与煤液化油的脱硫脱氮实验研究结合起来,这有利于液化油中S、N的脱除;目前关于液化油加氢工艺条件的研究数据公开不多,反应动力学方面的研究缺乏充足的数据支持,由于催化剂对工艺的影响研究较少,但催化剂技术已有了很大发展,可以考虑将新型催化剂引入反应中。     

Artificial neural network for the prediction of physical properties of organic compounds based on the group contribution method

In the development and optimization of chemical processes involving the selection of organic fluids, knowledge of the physical properties of compounds is vital. In many cases, it is complex to find experimental measurements for all substances, so it becomes necessary to have a tool to predict properties based on the characteristics of the molecule. One of the most extensively used methods in the literature is the estimation by contribution of functional groups, where properties are calculated using the constituent elements of the molecule. There are several models published in the literature, but they fail to represent a wide variety of compounds with high accuracy and simultaneously maintain a low computational complexity. The aim of this work is to develop a prediction model for eight thermodynamic properties (melting temperature, boiling temperature, critical pressure, critical temperature, critical volume, enthalpy of vaporization, enthalpy of fusion, and enthalpy of gas formation) based on the group contribution methodology by implementing a multilayer perceptron. Here, 2736 substances were used to train the neural network, whose prediction capacity was compared with other reference models available in the literature. The proposed model presents errors ranging from 1% to 5% for the different properties (except for the melting point), which improves the reference models with errors in the range of 3%–30%. Nevertheless, a difficulty in the prediction of the melting point is detected, which could represent an inherent hindrance to this methodology.     

基于BP神经网络的煤直接液化装置VOCs包袋法检测与预测建模

挥发性有机物（VOCs）是现代煤化工生产过程中产生的主要污染物之一。煤化工是我国石化领域的重要组成部分,通过煤制油装置可以实现煤炭的清洁利用,煤制油装置由于设备、物料、操作条件等与石化企业存在差异,目前我国针对石化的美国联邦环保署（EPA）相关方程不适用于煤直接液化装置,且目前国内并没有用于核算煤制油装置的相关方程。本文开展了煤制油装置VOCs检测方法研究,并修正了相关方程系数,得到了密封点VOCs核算方程。首先对煤制油装置进行泄漏与维修（LDAR）检测,得到了煤制油装置密封点的VOCs泄漏数据。在数据分析的基础上,改进了包袋法采样方法,对煤直接液化装置进行了密封点的包袋采样分析。在此基础上,得到了相关方程的修正系数,首次提出了适用于国内煤制油装置VOCs泄漏核算的相关方程。最后,考虑了移动距离、温度、压力及多处泄漏等参数对相关方程的影响,校准了煤直接液化装置的相关方程,建立了反向传播算法（BP）神经网络模型,得到了逼近结果较好的相关函数。     

PSRK-UNIFAC模型在预测煤直接液化高温高压气液相平衡中的应用

为预测煤炭直接液化高温高压气液平衡,将过量吉布斯自由能混合规则和UNIFAC活度系数模型与SRK状态相结合,建立基团状态PSRK-UNIFAC模型。利用该模型对煤液化高温分离器的24种组分气液相平衡进行了预测和关联,计算值和文献值能取得较好一致,并推算了煤液化反应器内气液相组成。结果表明:PSRK-UNIFAC模型可以成功预测高温、高压、强不对称、强极性下的气液相平衡。