基于数据驱动的催化裂化反应再生过程建模与优化研究
发布时间：2022-02-04 20:54
对催化裂化反应再生系统建立模型,是实现该生产过程的操作条件优化和增大产物收率的关键问题。当前石化行业生产过程中各种生产数据都能从装置的数据库平台实时采集,使得建立一个基于数据驱动的反应再生系统的智能模型成为当前研究热点问题之一。针对该问题,本文基于催化裂化装置的历史生产数据分别建立了汽油产率关于操作条件的反应再生过程的BP神经网络（BPNN）和支持向量回归机（SVR）模型。对模型进行预测对比和分析,说明了本文所提方法的有效性和可行性。本文主要研究工作内容如下:首先,本文研究了催化裂化反应再生工艺,选取了催化裂化反应再生过程模型的输入输出变量。本文选取汽油产率为输出变量,同时选取提升管第一反应温度、提升管第二反应区温度、剂油比、反应压力和空速这些操作条件为输入变量。分析了优化模型参数采用的人工蜂群算法（ABC）、粒子群算法（PSO）、蚁群算法（ACO）和遗传算法（GA）的基本原理。其次,建立BPNN的催化裂化反应再生系统的模型,以汽油产率为输出变量,操作条件为输入变量。利用ABC、ACO、PSO、GA分别优化BPNN的初始权值和阈值,结果证明经过优化的BPNN模型精确度大大提高。最后,利...
【文章来源】：中国计量大学浙江省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
催化裂化反应再生装置图
中国计量大学硕士学位论文实际情况,并能保证网络精度[69]。所以本文建立 BP 神经网络入层、隐含层、输出层。由三层的 BP 神经网络来完成 5 个输射。BP 神经网络的输入变量为提升管一段反应区温度、提升、反应压力、空速、剂油比，输出变量为汽油产率，所以隐含搭建的是一个 5-11-1 的 BP 神经网络如图 3.2 所示。
图 3.5ABC-BPNN 模型汽油产率预测值与实际值对比图开始输入训练样本，训练BP神经网络数据归一化处理初始化BP神经网络权值和阈值信号前向传播，输出BP神经网络预测输出计算网络预测输出和期望输出误差误差反向传播，修正权值和阈值权使网络预测值逼近期望值达到最大迭代次数？训练过程结束，保存最优权值和阈值是否初始化参数构建解空间达到最大迭代次数？输出最优解，得到BP神经网络最优权值阈值否更新信息素迭代次数加1，清空路径记录表是
【参考文献】：
期刊论文
[1]多产丙烯重油催化裂化9集总动力学模型的研究[J]. 侯凯军,欧阳福生,高永福,李荻,王智峰,阳斯拯. 石化技术与应用. 2017(05)
[2]重油催化裂化14集总动力学模型研究[J]. 孙世源,孟凡东,闫鸿飞,张亚西. 河南化工. 2017(07)
[3]大数据分析的神经网络方法[J]. 章毅,郭泉,王建勇. 工程科学与技术. 2017(01)
[4]数据挖掘在化学化工中的研究进展[J]. 余凡,范宝安,黄铁垓. 应用化工. 2017(01)
[5]第七章 石油化工-精细化工[J]. 马红,黄义争,徐杰. 工业催化. 2016(04)
[6]过程工业大数据建模研究展望[J]. 刘强,秦泗钊. 自动化学报. 2016(02)
[7]从近两年欧美炼油专业会议看世界炼油技术新进展[J]. 李雪静,乔明. 国际石油经济. 2015(05)
[8]催化裂化(裂解)集总反应动力学模型研究进展[J]. 熊凯,卢春喜. 石油学报(石油加工). 2015(02)
[9]群智能算法的理论及应用综述[J]. 王水花,张煜东,吉根林. 南京师范大学学报(工程技术版). 2014(04)
[10]GA辅助BP神经网络预测催化裂化装置汽油产率[J]. 张忠洋,李泽钦,李宇龙,李国庆. 石油炼制与化工. 2014(07)
博士论文
[1]MIP-CGP反应过程数学模型研究[D]. 段良伟.华东理工大学 2012
[2]催化裂化过程建模与应用研究[D]. 栗伟.浙江大学 2010
硕士论文
[1]基于改进狼群算法的小波神经网络短时交通流预测[D]. 齐璐.西南交通大学 2017
[2]重油催化裂化十二集总动力学模型研究[D]. 张建华.华东理工大学 2017
[3]不同核支持向量回归机在模型预测控制中的应用研究[D]. 刘念慈.重庆邮电大学 2016
[4]数据挖掘技术在催化裂化MIP工艺产品分布优化中的应用研究[D]. 方伟刚.华东理工大学 2016
[5]支持向量机优化模型及其应用[D]. 颜薇.湖南师范大学 2016
[6]工业催化裂化装置反再系统建模研究[D]. 洪建旭.华南理工大学 2014
[7]基于数据驱动的控制方法在建模过程中的不适定问题的研究[D]. 于一发.辽宁科技大学 2014
[8]催化裂化反应—再生系统的模型参数辨识与先进控制研究[D]. 宁忠兰.北京化工大学 2013
[9]重油催化裂化装置用能分析及系统优化[D]. 任会姝.中国石油大学（华东） 2013
[10]中石化洛阳分公司两套不同结构催化裂化装置的工艺技术分析及优化[D]. 刘静翔.天津大学 2012
本文编号：3613924
【文章来源】：中国计量大学浙江省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
催化裂化反应再生装置图
中国计量大学硕士学位论文实际情况,并能保证网络精度[69]。所以本文建立 BP 神经网络入层、隐含层、输出层。由三层的 BP 神经网络来完成 5 个输射。BP 神经网络的输入变量为提升管一段反应区温度、提升、反应压力、空速、剂油比，输出变量为汽油产率，所以隐含搭建的是一个 5-11-1 的 BP 神经网络如图 3.2 所示。
图 3.5ABC-BPNN 模型汽油产率预测值与实际值对比图开始输入训练样本，训练BP神经网络数据归一化处理初始化BP神经网络权值和阈值信号前向传播，输出BP神经网络预测输出计算网络预测输出和期望输出误差误差反向传播，修正权值和阈值权使网络预测值逼近期望值达到最大迭代次数？训练过程结束，保存最优权值和阈值是否初始化参数构建解空间达到最大迭代次数？输出最优解，得到BP神经网络最优权值阈值否更新信息素迭代次数加1，清空路径记录表是
【参考文献】：
期刊论文
[1]多产丙烯重油催化裂化9集总动力学模型的研究[J]. 侯凯军,欧阳福生,高永福,李荻,王智峰,阳斯拯. 石化技术与应用. 2017(05)
[2]重油催化裂化14集总动力学模型研究[J]. 孙世源,孟凡东,闫鸿飞,张亚西. 河南化工. 2017(07)
[3]大数据分析的神经网络方法[J]. 章毅,郭泉,王建勇. 工程科学与技术. 2017(01)
[4]数据挖掘在化学化工中的研究进展[J]. 余凡,范宝安,黄铁垓. 应用化工. 2017(01)
[5]第七章 石油化工-精细化工[J]. 马红,黄义争,徐杰. 工业催化. 2016(04)
[6]过程工业大数据建模研究展望[J]. 刘强,秦泗钊. 自动化学报. 2016(02)
[7]从近两年欧美炼油专业会议看世界炼油技术新进展[J]. 李雪静,乔明. 国际石油经济. 2015(05)
[8]催化裂化(裂解)集总反应动力学模型研究进展[J]. 熊凯,卢春喜. 石油学报(石油加工). 2015(02)
[9]群智能算法的理论及应用综述[J]. 王水花,张煜东,吉根林. 南京师范大学学报(工程技术版). 2014(04)
[10]GA辅助BP神经网络预测催化裂化装置汽油产率[J]. 张忠洋,李泽钦,李宇龙,李国庆. 石油炼制与化工. 2014(07)
博士论文
[1]MIP-CGP反应过程数学模型研究[D]. 段良伟.华东理工大学 2012
[2]催化裂化过程建模与应用研究[D]. 栗伟.浙江大学 2010
硕士论文
[1]基于改进狼群算法的小波神经网络短时交通流预测[D]. 齐璐.西南交通大学 2017
[2]重油催化裂化十二集总动力学模型研究[D]. 张建华.华东理工大学 2017
[3]不同核支持向量回归机在模型预测控制中的应用研究[D]. 刘念慈.重庆邮电大学 2016
[4]数据挖掘技术在催化裂化MIP工艺产品分布优化中的应用研究[D]. 方伟刚.华东理工大学 2016
[5]支持向量机优化模型及其应用[D]. 颜薇.湖南师范大学 2016
[6]工业催化裂化装置反再系统建模研究[D]. 洪建旭.华南理工大学 2014
[7]基于数据驱动的控制方法在建模过程中的不适定问题的研究[D]. 于一发.辽宁科技大学 2014
[8]催化裂化反应—再生系统的模型参数辨识与先进控制研究[D]. 宁忠兰.北京化工大学 2013
[9]重油催化裂化装置用能分析及系统优化[D]. 任会姝.中国石油大学（华东） 2013
[10]中石化洛阳分公司两套不同结构催化裂化装置的工艺技术分析及优化[D]. 刘静翔.天津大学 2012
本文编号：3613924
本文链接：https://www.wllwen.com/jingjilunwen/gongyejingjilunwen/3613924.html
