BP神经网络在加氢裂化装置航煤性质软测量中的应用

应用Matlab软件构建单隐层BP神经网络,并对中压加氢裂化装置航煤性质进行软测量应用。以700组样本数据作为训练集,对预测航煤闪点、终馏点模型进行训练。结果表明,在152组验证数据集上模型对闪点、终馏点预测分别取得1.57℃和2.74℃的均方误差(RMSE),随之在80组测试数据集上模型取得的泛化RMSE分别为1.87℃和1.98℃。以300组样本数据作为训练集,对预测航煤密度的模型进行训练。结果表明,在100组验证集上模型RMSE为2.18 kg·m~(-3),随之在70组测试数据集上的泛化RMSE为2.72 kg·m~(-3)。BP神经网络的泛化RMSE表明,通过合理选择特征变量和设计网络结构,单隐层BP神经网络能够满足航煤性质的工业软测量要求。     

加氢裂化装置应用增产航煤技术的运行分析

中国石油化工股份有限公司北京燕山分公司2.0 Mt/a加氢裂化装置是燕化公司生产航煤产品的主力装置。针对北京市场对航煤的旺盛需求,该装置于2013年采用了石科院开发的多产航煤加氢裂化技术,并通过消瓶颈改造,期望在长周期满负荷稳定运行的条件下达到增产航煤和同时降低尾油BMCI值的双重目标。其应用研究标定结果表明:采用新技术可实现航煤收率≥30%,满足3号喷气燃料质量要求;产品尾油收率BMCI值10,收率40%左右,达到了增产航煤同时兼顾生产优质尾油的预期目标。     

免疫算法在焦化装置软测量中的应用

提出了一种自适应免疫算法,其很好地解决了原始免疫算法中收敛精度低和寻优速度慢的缺点。通过对比分析标准测试函数的计算结果,自适应免疫算法的优良性得到充分地证明。然后,免疫算法被用于优化BP神经网络的结构和参数。结果表明,不但网络结构得到较好地控制,而且泛化性能也有较大地提高。最后,算法在优化神经网络上的有效性也在焦化装置精馏塔汽油干点软测量建模中得到很好地证实。     

基于BP神经网络的串联连续打浆过程打浆度的软测量

介绍某造纸厂串联连续打浆的工艺过程 ,分析研究BP神经网络的结构和算法 ,建立了串联连续打浆过程打浆度软测量的BP神经网络模型 ,并将该模型用于打浆过程控制和优化控制 ,取得了较好的测量效果。     

标准催化剂在加氢裂化装置的应用

对应用在加氢裂化装置的轻油型改造的标准公司的催化剂进行了对比和总结。结果表明,标准公司的精制催化剂和裂化催化剂的温度匹配好,精制和裂化催化剂的反应温度比较低,标准公司的裂化剂可以至少两个生产周期(6年)不用再生,轻油(重石脑和航煤)收率大幅度上升,轻油收率可以达到52%～60.68%。     

基于FUZZY ARTMAP的加氢裂化分馏塔MIMO软测量

研究了一类多输入多输出 (MIMO)系统的软测量问题 ,将FuzzyARTMAP网络应用于加氢裂化分馏塔产品质量估计软测量 ,经实际过程数据验证指出此算法具有较强的分类及非线性多维映射能力 ,结合提出的多变量模糊PID在线校正算法 ,使所建软测量模型在线应用时具有一定的随工况变化不断校正的能力 .     

应用BP神经网络预测加氢裂化尾油蒸汽裂解产物收率

研究了BP神经网络对加氢裂化尾油蒸汽裂解产物收率的预测,并介绍了该BP神经网络的结构、基础数据以及研究结果。从预测数据和实验数据对比结果来看,应用神经网络对加氢裂化尾油裂解产物收率进行预测是可行的。结论是：在保证基础训练数据的准确性和合理选取的情况下,BP神经网络将是一种有效的预测加氢裂化尾油裂解产物收率的方法。     

径向基函数神经网络在精馏塔软测量中的应用

精馏塔是化工过程中最常用的操作单元 ,具有很强的非线性和时变性 ,故很难进行机理建模分析或常规在线实时控制 ,因而提出一种基于径向基函数神经网络的优化控制方案。通过利用径向基函数神经网络建立精馏塔产品质量的软测量模型 ,将软测量结果与现场数据比较 ,表明本模型具有比较准确的跟踪显示效果 ,并将软测量模型进一步应用到精馏塔的回流量和釜液排放量的优化控制中     

应用多神经网络建立动态软测量模型

引　言由于神经网络具有强大的逼近非线性函数的能力 ,因此用神经网络来建立软测量模型是目前被广泛采用的一种方法 .应用最多的是多层前向传播网络 (MFNN)和径向基函数网络 (RBF) .这些网络是静态网络 ,建模所需样本是与时间无关的离散数据 ,这样获得的模型称为软测量静态模型     

基于PCA-BP神经网络的精馏塔产品组成软测量模型

通过共轭梯度算法和BP神经网络对精馏过程进行软测量建模.依据工艺原理和经验知识,初选了精馏塔顶产品组成的神经网络输入变量,运用主元分析法对变量进行主元分解,降低了变量维数,并且消除了变量之间的相关性,最后对网络进行了训练与测试.仿真结果表明,该模型具有较快的收敛速度,较高的精度,可以满足大规模生产诊断的要求.     

基于小波神经网络的污水处理污泥体积指数软测量

污水处理过程具有非线性、时变和滞后等特点,因而无法进行准确的数学建模。现有的污水处理技术中最突出的问题是一些关键的水质参数不能在线监测,只能通过人工间接测量再通过计算获得,耗时较长,不能及时地进行信息反馈,会造成一些严重的后果。为了避免这样的问题,提出了基于小波分析的神经网络(BP)软测量技术,通过建立小波神经网络参数软测量模型,对污水处理中难测水质参数SVI(污泥体积指数)进行在线监测。研究表明,此方法能有效规避单一的BP算法收敛速度慢、容易陷入局部最优解等问题,有助于实现对污水处理的智能控制。     

BP神经网络在胶料性能预测中的应用

根据BP神经网络原理，以SBR中的几种配料用量为输入变量，对应的胶料拉伸强度、拉断伸长率、撕裂强度和t90为输出变量，建立神经网络分析预报模型。通过选定合适的参数，利用已有的试验结果对模型进行训练。模型的预测结果与试验结果一致。     

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     

基于MIC筛选规则和BP神经网络的变换装置建模及产品预测

在石化企业数字工厂建设中,装置的数字智能化建设十分重要。本文针对某石化企业变换装置数字化建设的需要,结合装置特点,建立了基于最大信息系数方法（MIC）的装置实时数据筛选规则和基于BP神经网络的装置产品质量预测模型。结果表明,利用实时数据筛选规则对采集到的44天共1041组装置实际运行数据进行分析,将161个变量参数删减到23个变量参数,有效降低了数据的维度,数据简化率达到85.63%;进一步采用Levenberg-Marquardt方法,用3层隐含层的网络结构建立装置的产品质量预测模型,模拟得到的装置出口变换气CO摩尔含量值与实际生产偏差很小（平均偏差1.193%）,说明本文所建模型可以很好地预测装置产品组成。以上建立的模型可为装置生产优化提供支撑,并可集成到工厂信息物理系统（CPS）中,支撑装置数字化和智能化建设需要。本文所提出的建模方法同样可用于其他类似装置的建模参考。     

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。     

改进BP神经网络在气液两相流流型识别中的应用

采用统计理论与分形理论相结合的方法对水平管内空气-水两相流的压差波动信号进行分析,得到了压差均值、标准差、偏斜度、能量份额、盒维数、关联维数和Hurst指数7个参数,并将上述参数作为流型的特征向量输入自适应学习率的改进BP神经网络,通过对训练样本的学习,网络可以实现对未知流型的客观识别.仿真结果表明：统计参数与分形参数相结合得到的流型特征向量可以很好地反映各流型之间的差异,网络识别率高达93%,并且改进后的BP网络具有收敛速度快、不易陷入局部极小的优点.     

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.     

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。     

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。