重油催化裂化MIP工艺集总动力学模型

 根据催化裂化反应机理及MIP工艺的特点,开发了重油催化裂化12集总反应动力学模型。以公开发表的MIP工艺装置数据为基础,对模型参数进行验证计算。结果表明,模型对原料及柴油采用结构族组成划分集总,准确反映了不同碳原子结构反应性能的差异,并减少了反应途径数目。通过分步求解法求取反应动力学参数,有效减少了需同时估计的动力学参数个数,并提高了参数估计结果的精度和可靠性;计算值与实测值拟合良好。反应速率常数和活化能的分析结果表明,模型参数很好地反映了实际反应规律。     

基于结构导向集总的催化裂化MIP工艺反应动力学模型Ⅱ.工业装置的计算与预测

采用基于结构导向集总的催化裂化MIP工艺反应动力学模型对中国石化某分公司Ⅰ套催化裂化MIP装置的操作条件进行优化,考察了催化裂化产物的平均相对分子质量、汽油收率及汽油中典型组分的含量沿提升管高度的变化情况。实验结果表明,一反区平均相对分子质量随提升管高度的增加显著下降,当一反区出口温度为515℃,剂油质量比为6.0时,一反区平均相对分子质量由712下降为196,表明裂化反应主要发生在一反区;模型优化结果表明,在一反区出口温度500~510℃,剂油质量比6.5~7.0的条件下,汽油收率高于50%,汽油中烯烃含量低于24%(φ),满足国Ⅴ指标的要求。为工业催化裂化MIP装置的生产提供理论指导。     

重油催化裂化十二集总动力学模型研究

根据催化裂化反应机理和产物分布特点，建立了包含54条虚拟反应路径的重油催化裂化12集总反应网络。以Davison Circulating Riser（DCR）试验装置数据为基础，基于Python平台，将模型数学方程转化为程序语言，采用四阶Runge-Kutta 法求解模型微分方程、BFGS法优化目标函数，求取了模型的动力学参数。采用小型实验数据验证模型动力学参数，结果表明主要产品产率的计算值与实验值之间的相对误差均小于5%。说明所建模型的动力学参数是可靠的，能较好地反映重油催化裂化的反应规律，可用于对实际生产过程进行模拟优化。     

基于结构导向集总的催化裂化MIP工艺反应动力学模型Ⅰ.模型的建立和验证

基于结构导向集总方法,设计了包含烃类结构和杂原子结构的22个结构向量,构建了代表催化裂化原料分子组成的14 692种典型分子的结构向量,根据催化裂化反应机理和MIP工艺特征,编制了催化裂化反应规则,构建了反应网络,通过改进的Runge-Kutta法求解,建立了基于结构导向集总的分子尺度的MIP工艺反应动力学模型,通过MIP装置工业数据验证了模型的可靠性。实验结果表明,此模型与传统的催化裂化反应动力学模型相比,在反应网络中引入反应热效应,可更准确地描述提升管反应器中反应温度的变化及其对催化裂化反应过程的影响;模型的可靠性验证实验表明,预测值与工业数据的最大误差在1.0%左右,温度的预测误差不超过2℃。     

结构导向集总方法构建直馏汽油催化裂化动力学模型

采用结构导向集总(SOL)新方法构建了直馏汽油催化裂化改质的反应动力学模型。模型选取74种分子组成原料矩阵,根据催化裂化正碳离子反应机理,制定了42种反应规则构建反应网络。采用矩阵变换的形式求解反应网络,从而得到产物分子矩阵。通过对产物矩阵中的分子归类,获得产物分布及汽油族组成。采集实验室小型固定流化床催化裂化数据,对模型计算结果进行验证。结果表明,该模型能较为准确地预测产物分布及汽油族组成;在温度及进料组成改变时,模型适应性较好;模型同样能较准确地预测汽油研究法辛烷值。     

催化裂化汽油改质过程的20集总动力学模型研究

以中型催化裂化实验之汽油详细碳数分布的PIONA组成数据为基础,构建了分别由69个和118个化学反应组成的A、B两个反应网络,并以此反应网络开发了催化裂化汽油催化转化改质过程的20集总动力学A、B模型.模型计算结果与实验值的相对误差在6%以内.     

加氢渣油催化裂化七集总动力学模型的建立

以加工加氢渣油的茂名石化3^＃重油催化裂化装置的工业数据为基础，针对加氢渣油的特点，提出了以渣油四组分作为划分原料集总基础的催化裂化七集总动力学模型。通过变尺度法（B-F-G-S）和龙格库塔法确定动力学参数，并通过工业实测数据验证，表明该模型具有良好的拟合性和外推性，较好地反映了加氢渣油催化裂化反应规律。     

BP神经网络结合遗传算法优化催化裂化MIP的产品分布

采用MIP工业装置原料油性质、再生催化剂性质和操作条件等18个变量,使用Pearson相关系数法约简了芳烃含量和一反出口温度两个变量,以约简后的16个变量为输入变量,4个主要产物收率为输出变量,建立了结构为16-20-4的BP神经网络模型。验证表明,所建立的神经网络模型可靠性良好。将所建立的BP神经网络模型与遗传算法相结合优化了仅汽油收率最大和汽油收率最大并且焦炭收率最小时的操作条件,结果表明,操作条件的优化值与催化裂化的工艺实际情况相符。采用所建立的BP神经网络产品收率模型与遗传算法相结合,可以实现多目标优化,与单纯优化汽油收率相比,虽然汽油收率有所降低,但是焦炭产率有较大幅度下降,对工业生产有指导作用。     

催化裂化（裂解）集总反应动力学模型研究进展

分别从催化裂化集总反应动力学模型、催化裂解集总反应动力学模型、集总反应 流动耦合的催化裂化模型、集总反应 催化剂性质耦合的催化裂化模型、催化剂失活模型、建模数据来源、参数估算方法和集总动力学模型的关联模型等方面,系统地介绍了催化裂化(裂解)集总反应动力学模型的研究进展。在分析总结的基础上,针对催化裂化(裂解)集总反应动力学模型研究的后续发展提出了几点建议。     

多产丙烯重油催化裂化9集总动力学模型的研究

以重油为原料,采用多产丙烯催化裂化(FCC)平衡催化剂,在DCR实验装置上考察了重油多产丙烯的FCC反应规律。根据重油FCC反应机理,将原料划分成饱和烃、芳香烃、胶质/沥青质等3个集总,产物划分为干气、液化气(丙烯除外)、汽油、柴油、焦炭、丙烯等6个集总,构建多产丙烯反应网络,利用实验数据求取了27个反应的动力学参数,建立了适用于多产丙烯的重油FCC 9集总反应动力学模型。结果表明:反应动力学参数合理可靠,较好地反映了重油FCC的反应规律;所建模型具有良好的预测性,产品收率计算值与实验值的相对误差在±5.00%以内。     

Prediction of the product yield from catalytic cracking (MIP) process by an 8-lump kinetic model combined with neural network

Based on the characteristics of maximizing iso-paraffins (MIP) process and industrial data, an 8-lump kinetic model for MIP process is developed. And the 47 kinetic parameters of the model are calculated by Runge-Kutta method and genetic algorithm. It is seen that kinetic parameters show good consistence with the reaction mechanism of catalytic cracking. The average relative errors between calculated values and real values of product distribution are all below 5%. Then the model is modified by 14-7-5 type of back propagation (BP) neural network. As a result, the product distribution can be predicted more accurately by the hybrid model. Therefore, the combination of lump model and neural network can provide a new direction for simulation and optimization for heavy oil catalytic cracking.     

A lumped kinetic model for heavy oil catalytic cracking FDFCC process

Based on the reaction mechanisms and the characteristics of flexible dual-riser fluid catalytic cracking (FDFCC) process, the reaction networks of 10 lumps for heavy oil and seven lumps for gasoline were put forward. The cracking reactions of resin and asphaltene into gasoline and gases in heavy oil riser reactor were considered as second-order ones while the other reactions were described as first-order ones. The kinetic parameters indicate good consistence with the reaction rules of heavy oil catalytic cracking. The relative errors between calculated values and actual values of products are all less than 4%, which shows the reliability of the models.     

A lumped kinetic model for heavy oil catalytic cracking FDFCC process

Based on the reaction mechanisms and the characteristics of flexible dual-riser fluid catalytic cracking (FDFCC) process, the reaction networks of 10 lumps for heavy oil and seven lumps for gasoline were put forward. The cracking reactions of resin and asphaltene into gasoline and gases in heavy oil riser reactor were considered as second-order ones while the other reactions were described as first-order ones. The kinetic parameters indicate good consistence with the reaction rules of heavy oil catalytic cracking. The relative errors between calculated values and actual values of products are all less than 4%, which shows the reliability of the models.     

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。     

Industrial delayed coking process optimization on the basis of lumped kinetic model

Delayed coking is an economic and practical technic for the conversion of residua to naphtha and diesel. In this work, a 10-lumped reaction scheme is applied to investigate the industrial delayed coking process. The feed is decomposed to four lumps, including saturate, aromatics, resin and asphaltenes, and the products are decomposed to six lumps according to the boiling points. Industrial data from a Chinese petroleum refinery are used to validate the model. It is shown that the proposed kinetic model is able to predict yields of delayed coking products at a wide range of feedstock properties. On the basis of this model, the feed distribution and reaction temperature of an industrial delayed coking process are optimized, which significantly increases the economic benefits.     

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.     

RBF神经网络在催化裂化汽油加氢装置中的应用

根据国内某炼厂250 kt/a催化裂化汽油选择性加氢脱硫装置的生产操作数据,应用RBF神经网络建立了用于预测重汽油馏分加氢产品硫含量的模型,并通过反应器Ⅱ一段进口温度对所建立的RBF神经网络模型的泛化能力进行了考察。实验结果表明,RBF神经网络对重汽油产品硫含量的预测精度较高,平均相对误差达到1.32%,能够对重汽油产品硫含量进行准确预测;RBF神经网络模型的预测性能优于LMBP神经网络模型;RBF神经网络模型具有较好的泛化能力,能够指导装置的生产。     

FCC反应机理与分子水平动力学模型研究Ⅲ.重油催化裂化模型的建立

将一种基于催化裂化反应机理的动力学模型应用于重油催化裂化过程，实验确立了几种典型的催化裂化催化剂的反应速率常数。模拟实验的结果表明，通过实验确定的各反应速率常数不仅可以对重油催化裂化产品的产率分布进行模拟和预测，而且可以较为准确地对产品族组成进行模拟和预测。该模型包含十四个集总共24个反应速率常数，易于在提升管反应器上应用。