基于多核SVR的PZ活化MDEA脱碳工艺模型软件研究与实现
发布时间：2020-12-30 03:00
在天然气液化工艺中,如果原料气中含有CO2,会造成设备和管道的腐蚀,严重影响天然气的质量。哌嗪（PZ）活化N—甲基二乙醇胺（MDEA）溶液脱碳工艺不仅具有CO2溶解度大、反应热小的特点,而且还具有溶液的再生能耗低、溶液稳定性好、不降解、挥发性低、对碳钢设备无腐蚀等优点,已应用于天然气液化工艺。支持向量回归机（Support Vector Regression,SVR）作为机器学习理论的重要算法,已经在多个领域得到了广泛应用,多核函数的引入使SVR不再拘泥于寻找一个最优的单核实现回归算法,而是尝试寻找与样本数据集特性更匹配的融合新核,以提高模型的精确度和泛化能力。本论文将多核SVR理论引入到PZ活化MDEA脱碳工艺模型计算中,对工艺参数优化有一定的指导意义。首先,论文从化学热力学和动力学的基本原理着手,分析现有CO2在PZ活化MDEA中的溶解度模型特点和适用范围,结合天然气液化项目工程,提出CO2在PZ活化MDEA中的溶解度热力学模型;其次,结合主流核函数和SVR理论建立四种基于单核SVR的脱碳工艺溶...
【文章来源】：西安石油大学陕西省
【文章页数】：78 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 国内外针对天然气脱碳的研究
1.2.2 国内外对于支持向量回归的研究现状
1.3 论文主要研究内容
1.3.1 研究目标
1.3.2 主要内容
1.4 论文组织结构
第二章 多核SVR理论
2.1 支持向量机SVM
2.1.1 机器学习理论
2.1.2 统计学习理论
2.2 支持向量回归机SVR
2.2.1 损失函数
2.2.2 核函数学习
2.2.3 SVR理论
2.2.4 SVR模型建立流程
2.3 本章小结
第三章 PZ活化MDEA脱碳工艺参数优化
3.1 PZ活化MDEA脱碳工艺CO2溶解度计算模型的建立
3.1.1 体系平衡关系
3.1.2 模型的简化
3.2 溶液循环量计算
3.3 工艺参数对溶液循环量影响分析
3.3.1 吸收塔压力对溶液循环量的影响
3.3.2 吸收塔温度对溶液循环量的影响
3.3.3 MDEA浓度对溶液循环量的影响
3.3.4 PZ浓度对溶液循环量的影响
3.4 PZ活化MDEA脱碳工艺参数优化分析
3.5 本章小结
第四章 基于多核SVR的PZ活化MDEA脱碳工艺研究
4.1 PZ活化MDEA脱碳工艺重要参数
4.2 脱碳工艺基础数据的预处理
4.3 单核SVR溶液循环量预测模型
4.3.1 基于LINEAR核SVR溶液循环量预测模型
4.3.2 基于POLY核SVR溶液循环量预测模型
4.3.3 基于RBF核SVR溶液循环量预测模型
4.3.4 基于S型核SVR溶液循环量预测模型
4.4 多核SVR溶液循环量预测
4.4.1 多核SVR溶液循环量预测模型搭建
4.4.2 多核SVR溶液循环量预测仿真实验分析
4.5 仿真实验结果分析
4.6 本章小结
第五章 基于多核SVR的PZ活化MDEA脱碳模型软件系统设计与实现
5.1 系统总体设计
5.1.1 系统设计目标
5.1.2 软件体系结构设计
5.1.3 主要模块设计
5.2 多核SVR的PZ活化MDEA脱碳工艺模型软件系统的实现
5.3 关键技术介绍
5.4 本章小结
第六章 总结与展望
6.1 研究总结
6.2 研究展望
致谢
参考文献
攻读硕士学位期间发表的论文
【参考文献】：
期刊论文
[1]基于多核SVR的PZ活化MDEA脱碳工艺溶液循环量预测[J]. 爨莹,史瑶捷. 信息技术与信息化. 2017(09)
[2]高含CO2天然气脱碳工艺中MDEA活化剂优选[J]. 张磊,蒋洪. 石油与天然气化工. 2017(04)
[3]液化天然气发展现状及前景展望[J]. 林珑,曹传超,刘燕妮,王文静. 能源研究与利用. 2017(03)
[4]ProMax模拟MDEA配方溶液脱硫脱碳[J]. 黄文佼,付翔. 科技创新与应用. 2013(19)
[5]叠加支持向量机及其在醋酸精馏软测量中的应用[J]. 李静,刘爱伦. 华东理工大学学报(自然科学版). 2013(02)
[6]MDEA—PZ复合溶液脱除油田伴生气中CO2[J]. 李清方. 油气田地面工程. 2013(04)
[7]基于优化SVM的城市快速路网交通流状态判别[J]. 董春娇,邵春福,熊志华. 北京交通大学学报. 2011(06)
[8]天然气配方型脱碳溶剂的开发与应用[J]. 陈赓良. 天然气与石油. 2011(02)
[9]富含二氧化碳的天然气分离及其利用[J]. 姚晓龙,王彦明,李新奇. 广州化工. 2010(09)
[10]多核学习方法[J]. 汪洪桥,孙富春,蔡艳宁,陈宁,丁林阁. 自动化学报. 2010(08)
博士论文
[1]支撑向量回归算法及其应用研究[D]. 郑逢德.北京工业大学 2012
[2]支持向量机学习算法若干问题的研究[D]. 常甜甜.西安电子科技大学 2010
[3]数据挖掘与量化计算在钙钛矿体系QSPR研究中的应用[D]. 刘旭.上海大学 2010
[4]基于机器学习的入侵检测方法研究[D]. 尹清波.哈尔滨工程大学 2007
[5]酸性气体（H2S，CO2）的脱除及其气液传质特性的研究[D]. 陆建刚.南京理工大学 2005
硕士论文
[1]基于选择性集成学习的支持向量机分类研究[D]. 扈晓君.山东师范大学 2015
[2]简化多核支持向量机的研究[D]. 杜海洋.北京交通大学 2015
[3]蚁群算法在钕铁硼氢粉碎控制系统中的应用[D]. 陆春伟.内蒙古科技大学 2014
[4]基于支持向量机的高光谱多类别分类研究[D]. 杨学东.西安电子科技大学 2011
[5]MDEA为主体的混合胺法吸收CO2的研究[D]. 马乐.北京化工大学 2011
[6]基于支持向量机的音乐自动分类[D]. 朱健康.天津大学 2010
[7]基于多种特征的视频分类研究[D]. 宋刚.西南大学 2010
[8]基于支持向量机的软件可靠性模型研究[D]. 何俊学.兰州理工大学 2009
[9]支持向量机的若干问题的研究[D]. 刘鹏.贵州大学 2007
本文编号：2946852
【文章来源】：西安石油大学陕西省
【文章页数】：78 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 国内外针对天然气脱碳的研究
1.2.2 国内外对于支持向量回归的研究现状
1.3 论文主要研究内容
1.3.1 研究目标
1.3.2 主要内容
1.4 论文组织结构
第二章 多核SVR理论
2.1 支持向量机SVM
2.1.1 机器学习理论
2.1.2 统计学习理论
2.2 支持向量回归机SVR
2.2.1 损失函数
2.2.2 核函数学习
2.2.3 SVR理论
2.2.4 SVR模型建立流程
2.3 本章小结
第三章 PZ活化MDEA脱碳工艺参数优化
3.1 PZ活化MDEA脱碳工艺CO2溶解度计算模型的建立
3.1.1 体系平衡关系
3.1.2 模型的简化
3.2 溶液循环量计算
3.3 工艺参数对溶液循环量影响分析
3.3.1 吸收塔压力对溶液循环量的影响
3.3.2 吸收塔温度对溶液循环量的影响
3.3.3 MDEA浓度对溶液循环量的影响
3.3.4 PZ浓度对溶液循环量的影响
3.4 PZ活化MDEA脱碳工艺参数优化分析
3.5 本章小结
第四章 基于多核SVR的PZ活化MDEA脱碳工艺研究
4.1 PZ活化MDEA脱碳工艺重要参数
4.2 脱碳工艺基础数据的预处理
4.3 单核SVR溶液循环量预测模型
4.3.1 基于LINEAR核SVR溶液循环量预测模型
4.3.2 基于POLY核SVR溶液循环量预测模型
4.3.3 基于RBF核SVR溶液循环量预测模型
4.3.4 基于S型核SVR溶液循环量预测模型
4.4 多核SVR溶液循环量预测
4.4.1 多核SVR溶液循环量预测模型搭建
4.4.2 多核SVR溶液循环量预测仿真实验分析
4.5 仿真实验结果分析
4.6 本章小结
第五章 基于多核SVR的PZ活化MDEA脱碳模型软件系统设计与实现
5.1 系统总体设计
5.1.1 系统设计目标
5.1.2 软件体系结构设计
5.1.3 主要模块设计
5.2 多核SVR的PZ活化MDEA脱碳工艺模型软件系统的实现
5.3 关键技术介绍
5.4 本章小结
第六章 总结与展望
6.1 研究总结
6.2 研究展望
致谢
参考文献
攻读硕士学位期间发表的论文
【参考文献】：
期刊论文
[1]基于多核SVR的PZ活化MDEA脱碳工艺溶液循环量预测[J]. 爨莹,史瑶捷. 信息技术与信息化. 2017(09)
[2]高含CO2天然气脱碳工艺中MDEA活化剂优选[J]. 张磊,蒋洪. 石油与天然气化工. 2017(04)
[3]液化天然气发展现状及前景展望[J]. 林珑,曹传超,刘燕妮,王文静. 能源研究与利用. 2017(03)
[4]ProMax模拟MDEA配方溶液脱硫脱碳[J]. 黄文佼,付翔. 科技创新与应用. 2013(19)
[5]叠加支持向量机及其在醋酸精馏软测量中的应用[J]. 李静,刘爱伦. 华东理工大学学报(自然科学版). 2013(02)
[6]MDEA—PZ复合溶液脱除油田伴生气中CO2[J]. 李清方. 油气田地面工程. 2013(04)
[7]基于优化SVM的城市快速路网交通流状态判别[J]. 董春娇,邵春福,熊志华. 北京交通大学学报. 2011(06)
[8]天然气配方型脱碳溶剂的开发与应用[J]. 陈赓良. 天然气与石油. 2011(02)
[9]富含二氧化碳的天然气分离及其利用[J]. 姚晓龙,王彦明,李新奇. 广州化工. 2010(09)
[10]多核学习方法[J]. 汪洪桥,孙富春,蔡艳宁,陈宁,丁林阁. 自动化学报. 2010(08)
博士论文
[1]支撑向量回归算法及其应用研究[D]. 郑逢德.北京工业大学 2012
[2]支持向量机学习算法若干问题的研究[D]. 常甜甜.西安电子科技大学 2010
[3]数据挖掘与量化计算在钙钛矿体系QSPR研究中的应用[D]. 刘旭.上海大学 2010
[4]基于机器学习的入侵检测方法研究[D]. 尹清波.哈尔滨工程大学 2007
[5]酸性气体（H2S，CO2）的脱除及其气液传质特性的研究[D]. 陆建刚.南京理工大学 2005
硕士论文
[1]基于选择性集成学习的支持向量机分类研究[D]. 扈晓君.山东师范大学 2015
[2]简化多核支持向量机的研究[D]. 杜海洋.北京交通大学 2015
[3]蚁群算法在钕铁硼氢粉碎控制系统中的应用[D]. 陆春伟.内蒙古科技大学 2014
[4]基于支持向量机的高光谱多类别分类研究[D]. 杨学东.西安电子科技大学 2011
[5]MDEA为主体的混合胺法吸收CO2的研究[D]. 马乐.北京化工大学 2011
[6]基于支持向量机的音乐自动分类[D]. 朱健康.天津大学 2010
[7]基于多种特征的视频分类研究[D]. 宋刚.西南大学 2010
[8]基于支持向量机的软件可靠性模型研究[D]. 何俊学.兰州理工大学 2009
[9]支持向量机的若干问题的研究[D]. 刘鹏.贵州大学 2007
本文编号：2946852
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2946852.html
