楊文劍，張 洋，張小慶，周曉龍

(華東理工大學(xué)石油加工研究所，上海 200237)

集總動(dòng)力學(xué)-BP神經(jīng)網(wǎng)絡(luò)混合模型用于預(yù)測(cè)延遲焦化裝置液體產(chǎn)品產(chǎn)率

楊文劍，張 洋，張小慶，周曉龍

(華東理工大學(xué)石油加工研究所，上海 200237)

建立了延遲焦化過程模型對(duì)不同性質(zhì)原料和操作條件下的液體產(chǎn)品產(chǎn)率進(jìn)行預(yù)測(cè)，可實(shí)現(xiàn)生產(chǎn)參數(shù)調(diào)優(yōu)，進(jìn)一步提高延遲焦化裝置的經(jīng)濟(jì)效益。以某煉油廠1.4 Mt/a延遲焦化裝置為研究對(duì)象，從十一集總動(dòng)力學(xué)模型出發(fā)，建立了動(dòng)態(tài)平衡假定下反應(yīng)器數(shù)學(xué)模型，選取機(jī)理模型計(jì)算結(jié)果和關(guān)鍵位點(diǎn)歷史數(shù)據(jù)為BP神經(jīng)網(wǎng)絡(luò)輸入，針對(duì)延遲焦化液體產(chǎn)品構(gòu)建了十一集總動(dòng)力學(xué)-BP神經(jīng)網(wǎng)絡(luò)串聯(lián)混合模型。以焦化柴油產(chǎn)率預(yù)測(cè)為例，分析了混合模型的預(yù)測(cè)效果，并與單一機(jī)理模型和BP神經(jīng)網(wǎng)絡(luò)經(jīng)驗(yàn)?zāi)Ｐ瓦M(jìn)行對(duì)比。對(duì)比結(jié)果表明，3種模型中混合模型預(yù)測(cè)精度最高，受原料物性和操作條件波動(dòng)影響小，其預(yù)測(cè)結(jié)果的均方根誤差、平均絕對(duì)誤差和平均相對(duì)誤差分別為0.751百分點(diǎn)，0.524百分點(diǎn)，2.01%。

集總動(dòng)力學(xué) 神經(jīng)網(wǎng)絡(luò) 混合模型 延遲焦化 產(chǎn)率預(yù)測(cè)

近年來(lái)采出原油日益重質(zhì)化，導(dǎo)致一次加工所得常減壓渣油產(chǎn)量上升，輕質(zhì)燃料油產(chǎn)量下降，為滿足市場(chǎng)需求，需對(duì)常減壓渣油進(jìn)行深度加工以獲取高價(jià)值的輕質(zhì)燃料油。延遲焦化工藝基于渣油熱裂解原理生產(chǎn)輕質(zhì)燃料油，具有技術(shù)成熟度高，投資、操作費(fèi)用低，原料適應(yīng)性好和原料轉(zhuǎn)化深度高等特點(diǎn)，在解決重油輕質(zhì)化問題方面具有獨(dú)特的優(yōu)勢(shì)[1]。

為進(jìn)一步提升延遲焦化裝置的經(jīng)濟(jì)效益，可采用構(gòu)建生產(chǎn)模型的方法，對(duì)不同原料性質(zhì)、操作條件下的液體產(chǎn)品產(chǎn)率進(jìn)行預(yù)測(cè)，實(shí)現(xiàn)生產(chǎn)參數(shù)的調(diào)優(yōu)。目前，渣油反應(yīng)產(chǎn)物產(chǎn)率預(yù)測(cè)模型可分為經(jīng)驗(yàn)建模法[2-3]和動(dòng)力學(xué)模型法[4-5]。經(jīng)驗(yàn)建模法預(yù)估產(chǎn)品產(chǎn)率，從最初的原料康氏殘?zhí)亢彤a(chǎn)率間的線性關(guān)聯(lián)式，發(fā)展到運(yùn)用神經(jīng)網(wǎng)絡(luò)等多元統(tǒng)計(jì)分析方法，構(gòu)建基于輸入(物料性質(zhì)或工業(yè)操作位點(diǎn))、輸出(產(chǎn)品產(chǎn)率)歷史數(shù)據(jù)對(duì)的非線性模型，但經(jīng)驗(yàn)?zāi)Ｐ腿源嬖谕馔颇芰θ?、可解釋性差等缺點(diǎn)；集總動(dòng)力學(xué)模型法將原料和產(chǎn)物劃分為不同的集總，構(gòu)建反應(yīng)網(wǎng)絡(luò)并求取反應(yīng)動(dòng)力學(xué)參數(shù)，在此基礎(chǔ)上計(jì)算進(jìn)料與產(chǎn)物間的物料平衡關(guān)系，工程背景清晰、變量間關(guān)系明確，但需要對(duì)應(yīng)用于工業(yè)裝置的機(jī)理模型進(jìn)行修正，且精度往往不高。

本研究提出的混合模型從十一集總動(dòng)力學(xué)出發(fā)，建立基于動(dòng)態(tài)假設(shè)下的加熱爐、焦炭塔的反應(yīng)器數(shù)學(xué)模型，將復(fù)雜的物料、反應(yīng)器和操作條件信息降維，計(jì)算出產(chǎn)品集總組成，結(jié)合關(guān)鍵位點(diǎn)歷史數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入，預(yù)測(cè)延遲焦化液體產(chǎn)品產(chǎn)率。

1 延遲焦化裝置中渣油熱反應(yīng)過程

圖1為延遲焦化工藝流程示意。新鮮原料油進(jìn)入分餾塔底部與焦化塔來(lái)的高溫油氣直接換熱后，同循環(huán)油一起流入塔底，抽出作為延遲焦化加熱爐的混合進(jìn)料?；旌线M(jìn)料通過熱油泵增壓后進(jìn)入加熱爐對(duì)流爐管，之后流入輻射室爐管，并在多段注氣下保持氣液相高速流動(dòng)，迅速升溫到490 ℃左右，發(fā)生部分熱反應(yīng)，離開加熱爐后通過轉(zhuǎn)油線進(jìn)入焦炭塔。高溫物料進(jìn)入焦炭塔后，氣液相停留時(shí)間差別明顯，水蒸氣和反應(yīng)產(chǎn)物中的氣體、汽油、柴油和部分蠟油在焦炭塔中呈氣相，一部分未反應(yīng)的渣油原料中輕組分由于揮發(fā)和夾帶的原因也進(jìn)入了氣相，這些焦炭塔氣相物料經(jīng)歷一段短時(shí)間的熱反應(yīng)后到達(dá)塔頂與急冷油混合降溫。急冷后的油氣經(jīng)揮發(fā)線進(jìn)入分餾塔后與新鮮原料油換熱，油氣中的大部分組分進(jìn)入分餾塔的上部，從下而上依次分餾出蠟油、柴油、汽油和液化氣，油氣中的一部分重組分換熱后冷凝下來(lái)作為循環(huán)油；進(jìn)焦炭塔物料中的高沸點(diǎn)組分留在液相，并在相當(dāng)長(zhǎng)的時(shí)間內(nèi)繼續(xù)發(fā)生熱反應(yīng)，反應(yīng)產(chǎn)物中的氣體、汽油、柴油和蠟油不斷地進(jìn)入氣相，并逸出焦炭塔，反應(yīng)產(chǎn)物中的焦炭則留在焦炭塔中，當(dāng)焦炭塔內(nèi)焦炭累積達(dá)到安全高限后，通過四通閥切換進(jìn)料到新的焦炭塔，老塔進(jìn)行除焦等工作。

圖1 延遲焦化工藝流程示意

渣油在延遲焦化裝置中的反應(yīng)十分復(fù)雜，為計(jì)算延遲焦化物料平衡，必須忽略物料在裝置某些部位所發(fā)生的輕微熱反應(yīng)，并對(duì)系統(tǒng)復(fù)雜的非穩(wěn)態(tài)特性做出適當(dāng)簡(jiǎn)化[6]：切換焦炭塔后一段時(shí)間內(nèi)，隨著物料不斷地注入空焦炭塔，焦炭塔內(nèi)的液相物料量逐漸增加。焦炭塔進(jìn)料的流量和組成不變，而焦炭塔內(nèi)反應(yīng)掉的液相物料量卻隨著塔內(nèi)液相物料量的增加而增加。當(dāng)反應(yīng)掉的液相物料量增加到與進(jìn)塔的液相物料量相等時(shí)，液相總量保持不變，在焦炭塔內(nèi)達(dá)到動(dòng)態(tài)平衡，此時(shí)裝置平穩(wěn)運(yùn)作，可認(rèn)為焦炭塔中的液相物料和其它設(shè)備中的物料在藏量、流量、組成和狀態(tài)諸多方面都保持不變。液相反應(yīng)生成的固體部分(即焦炭)在整個(gè)進(jìn)料過程中不斷在焦炭塔內(nèi)累積，而液相反應(yīng)生成的氣體部分則與焦炭塔進(jìn)料汽化的氣相一起在焦炭塔中經(jīng)歷了一段短時(shí)間的熱反應(yīng)后進(jìn)入分餾塔。

2 延遲焦化工業(yè)過程建模

2.1 反應(yīng)動(dòng)力學(xué)

在充分考慮減壓渣油的結(jié)構(gòu)組成與熱反應(yīng)動(dòng)力學(xué)規(guī)律之間關(guān)系的基礎(chǔ)上，將原料中熱裂解性質(zhì)相似的組分劃分為一個(gè)集總，建立以減壓渣油的飽和烴、芳烴、重芳烴、軟膠質(zhì)、硬膠質(zhì)和瀝青質(zhì)6個(gè)組分，以及其熱裂解產(chǎn)物中的飽和烴裂解生成的中間餾分油V1、除飽和烴以外的族組分生成的中間餾分油V2、氣體、汽油和焦炭等5個(gè)組分共同構(gòu)成的渣油十一集總一階反應(yīng)動(dòng)力學(xué)模型(如圖2所示)，并計(jì)算各子反應(yīng)的活化能和頻率因子[7]。Zhou Xiaolong等[8]的實(shí)驗(yàn)結(jié)果表明，該模型對(duì)不同性質(zhì)的原料具有很好的適用性。反應(yīng)速率常數(shù)k與溫度T滿足關(guān)系式(1)：

(1)

式中：k為某反應(yīng)在T(K)溫度下的反應(yīng)速率常數(shù)，min-1；k0為頻率因子，min-1；E為活化能，J/mol；R為氣體常數(shù)，8.314 5 J/(mol·K)；T為熱裂解反應(yīng)溫度，K。

圖2 減壓渣油十一集總反應(yīng)動(dòng)力學(xué)網(wǎng)絡(luò)S—飽和烴； AL—輕芳烴； AH—重芳烴； RL—軟膠質(zhì)； RH—硬膠質(zhì)； B—瀝青質(zhì)； G—?dú)怏w； L—汽油； V1—飽和烴中間餾分油； V2—非飽和烴中間餾分油； C—焦炭

2.2 循環(huán)油組成假設(shè)

循環(huán)油的組成十分復(fù)雜，有關(guān)文獻(xiàn)[9]表明循環(huán)油的餾程明顯高于蠟油，并與蠟油有較大的重疊，此外，循環(huán)油的芳香分含量也明顯高于蠟油?；诖?，對(duì)循環(huán)油的組成作如下假設(shè)[6]：

①循環(huán)油由蠟油和渣油組成，兩者的相對(duì)含量與循環(huán)比、焦炭塔塔頂壓力有關(guān)，在一般工況下，可將循環(huán)油視作蠟油和渣油按如下比例組成的混合物。

混合物中蠟油的質(zhì)量分?jǐn)?shù)：

(2)

混合物中渣油的質(zhì)量分?jǐn)?shù)：

(3)

焦炭塔塔頂壓力修正值：

W=0.6-1.5p

(4)

式中：CR為循環(huán)比；p為焦炭塔塔頂壓力，MPa。

②蠟油由飽和烴中間餾分油V1和非飽和烴中間餾分油V2組成，兩者質(zhì)量比與進(jìn)入分餾塔時(shí)飽和烴中間餾分油V1和非飽和烴中間餾分油V2的質(zhì)量流量比相等。

③渣油由飽和烴S、輕芳烴AL和重芳烴AH組成，三者質(zhì)量比與進(jìn)入焦炭塔的液相物料中飽和烴S、輕芳烴AL和重芳烴AH的質(zhì)量流量比相等。

2.3 物料平衡模擬計(jì)算

基于上述對(duì)渣油熱轉(zhuǎn)化反應(yīng)過程的分析，做出如下假設(shè)：①加熱爐管中的物料流動(dòng)屬于高速流動(dòng)的氣液兩相混相流，認(rèn)為在加熱爐管中的氣液兩相停留時(shí)間相同，在構(gòu)建模型時(shí)簡(jiǎn)化為沿加熱爐管軸向方向存在溫度梯度的均一相理想管式反應(yīng)器(PFR)；②穩(wěn)態(tài)條件下焦炭塔內(nèi)持液達(dá)到動(dòng)態(tài)平衡時(shí)，認(rèn)為焦炭塔的液相反應(yīng)相當(dāng)于在一個(gè)連續(xù)進(jìn)料和連續(xù)出料的反應(yīng)釜(STR)中進(jìn)行，而焦炭塔中的氣相反應(yīng)相當(dāng)于氣體物料通過一個(gè)長(zhǎng)度為空高、直徑為塔內(nèi)徑的管式反應(yīng)器。

加熱爐管軸向方向上的溫度分布由加熱爐管進(jìn)口到出口所有溫度檢測(cè)位點(diǎn)的檢測(cè)溫度擬合而成。為簡(jiǎn)化處理，將總長(zhǎng)為L(zhǎng)的爐管分為n段Δl，在Δl內(nèi)溫度保持恒定，則加熱爐管軸向方向存在溫度梯度的管式反應(yīng)器轉(zhuǎn)化為n個(gè)長(zhǎng)度為Δl、溫度恒定為Ti的管式反應(yīng)器串聯(lián)。Δl段內(nèi)溫度Ti的表達(dá)式為：

Ti=f(i×Δl)

(5)

式中：f為溫度與管長(zhǎng)之間的函數(shù)關(guān)系。

則在加熱爐管中，第i段j組分的物料平衡方程表達(dá)式為：

(6)

Δw=ρiAiΔl

(7)

式中：φij為第i段j組分的質(zhì)量分?jǐn)?shù)，kgkg原料；{-rij}為第i段j組分的反應(yīng)速率，kg(kg原料·min)；F為物料總質(zhì)量流量，kgmin；Δw為第i段內(nèi)物料質(zhì)量，kg；ρi為第i段物料密度，kgm3；Ai為第i段爐管橫截面積，m2。

綜合式(2)～式(7)和反應(yīng)動(dòng)力學(xué)方程組[10]，以注入加熱爐管的原料油和循環(huán)油混合物料中集總組分質(zhì)量分?jǐn)?shù)為初值條件，計(jì)算進(jìn)入焦炭塔的物料集總組成。物料進(jìn)入焦炭塔后，首先發(fā)生氣液相分離，渣油六組分進(jìn)入液相，焦炭組分進(jìn)入固相，其它組分進(jìn)入氣相。液相反應(yīng)過程中，渣油六組分部分夾帶進(jìn)入氣相，焦炭組分進(jìn)入固相，反應(yīng)生成的其它組分進(jìn)入氣相?；趧?dòng)態(tài)平衡假設(shè)，焦炭塔液相物料平衡計(jì)算式如下：

0=Fj,in-Fj,out+{-rj}∑Mj

(8)

式中：Fj,in和Fj,out分別為進(jìn)入和離開焦炭塔液相j組分的質(zhì)量流量，kgmin；{-rj}為j組分的反應(yīng)速率，kg(kg原料·min)；Mj為動(dòng)態(tài)平衡時(shí)焦炭塔內(nèi)j組分的液相持液量，kg。

建立氣液夾帶子模型[11]，計(jì)算出渣油六組分的夾帶流出量Fj,out，進(jìn)而得到六組分持液量Mj，最后結(jié)合式(8)與反應(yīng)動(dòng)力學(xué)方程組，計(jì)算離開液相的氣體、固體各組分質(zhì)量流量。進(jìn)入焦炭塔時(shí)氣液相分離所產(chǎn)生的氣體和液相反應(yīng)生成、夾帶的氣體在焦炭塔上部空間繼續(xù)反應(yīng)，此過程視作為氣相通過長(zhǎng)度為焦炭塔空高、溫度為焦炭塔塔頂溫度的管式反應(yīng)器，其計(jì)算方法與加熱爐管物料平衡計(jì)算相似。由此，可計(jì)算出焦炭塔流出的氣相各集總質(zhì)量流量。

2.4 混合模型構(gòu)建

上述機(jī)理模型(Mechanism Model，MM)的構(gòu)建基于動(dòng)態(tài)平衡假設(shè)，大大簡(jiǎn)化了模型的復(fù)雜性，但單純的機(jī)理模型不能很好地反映出系統(tǒng)的非穩(wěn)態(tài)特性，其預(yù)測(cè)結(jié)果不夠精確。而BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，BPNN)能以任意精度逼近任何非線性連續(xù)函數(shù)，在機(jī)理模型將復(fù)雜體系充分降維的基礎(chǔ)上，以焦炭塔流出的相關(guān)集總組分質(zhì)量流量和少數(shù)關(guān)鍵操作位點(diǎn)歷史數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，求取延遲焦化裝置各液相產(chǎn)品的產(chǎn)率?；旌夏Ｐ偷挠?jì)算步驟如下：①設(shè)定循環(huán)油各集總組分含量初值(為便于收斂，本模型采用的方案是設(shè)定初始循環(huán)油各集總組分的質(zhì)量比與原料油中對(duì)應(yīng)集總的質(zhì)量比相等)；②根據(jù)循環(huán)油組成、循環(huán)比和原料組成與流量，計(jì)算加熱爐進(jìn)料量和組成；③根據(jù)延遲焦化加熱爐的物料平衡，計(jì)算得到焦炭塔進(jìn)口處各集總組分的流量；④根據(jù)焦炭塔液相反應(yīng)的模擬計(jì)算，得到液相熱反應(yīng)固體產(chǎn)物和夾帶、反應(yīng)得到的氣相產(chǎn)物的集總組分質(zhì)量流量；⑤根據(jù)焦炭塔氣相反應(yīng)的模擬計(jì)算，得到焦炭塔的各集總組分質(zhì)量流量；⑥根據(jù)循環(huán)油組成的假設(shè)，得到新的循環(huán)油集總組成，再將新的循環(huán)油組成代入步驟②，并且重復(fù)步驟③～⑥，直到前后兩次計(jì)算得到的循環(huán)油組成的差異可以忽略為止，選取此時(shí)計(jì)算得到的出焦炭塔的關(guān)鍵集總組分質(zhì)量流量和少數(shù)重要操作位點(diǎn)歷史數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入值，計(jì)算延遲焦化液體產(chǎn)品產(chǎn)率。

3 運(yùn)用混合模型預(yù)測(cè)延遲焦化裝置液體產(chǎn)品產(chǎn)率

3.1 混合模型樣本數(shù)據(jù)和建模

某煉油廠2013年8—10、12月每月采集一次延遲焦化裝置原料樣本，并分析原料六組分含量、密度、殘?zhí)康任镄詤?shù)。以原料采樣日前后共7天為一個(gè)考察周期，收集了8—10、12月內(nèi)4個(gè)考察周期的重要位點(diǎn)歷史數(shù)據(jù)的時(shí)均值，共計(jì)676組數(shù)據(jù)，作為混合模型的樣本數(shù)據(jù)。以8—10月3個(gè)考察周期507組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，訓(xùn)練混合模型，再用訓(xùn)練完成的混合模型預(yù)測(cè)12月考察周期內(nèi)每小時(shí)液體產(chǎn)品產(chǎn)率，并與實(shí)測(cè)值進(jìn)行對(duì)比，評(píng)價(jià)模型的預(yù)測(cè)效果。

3.2 模型結(jié)果及討論

基于上述的樣本數(shù)據(jù)與混合模型建模方法，建立延遲焦化液體產(chǎn)品產(chǎn)率預(yù)測(cè)模型。不同液體產(chǎn)品產(chǎn)率預(yù)測(cè)計(jì)算過程相似，以預(yù)測(cè)柴油產(chǎn)率為例，先由機(jī)理模型求解各集總組分質(zhì)量流量，再由BP神經(jīng)網(wǎng)絡(luò)模型求解柴油產(chǎn)率。其中，神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)以原料油進(jìn)料量、蒸餾塔塔頂溫度、蒸餾塔塔釜溫度、蒸餾塔柴油集油箱抽出溫度、工作焦炭塔塔頂溫度和機(jī)理模型計(jì)算結(jié)果(L，V1，V2質(zhì)量流量)為輸入，柴油產(chǎn)率為輸出的8-12-1 BP神經(jīng)網(wǎng)絡(luò)。汽油和蠟油的預(yù)測(cè)模型需要對(duì)神經(jīng)網(wǎng)絡(luò)模型輸入進(jìn)行調(diào)整，將蒸餾塔柴油集油箱抽出溫度改為對(duì)應(yīng)集油箱的抽出溫度。

以柴油產(chǎn)率模型為例，圖3～圖5展示了機(jī)理模型、BP神經(jīng)網(wǎng)絡(luò)經(jīng)驗(yàn)?zāi)Ｐ秃褪患倓?dòng)力學(xué)-BP神經(jīng)網(wǎng)絡(luò)混合模型3種建模方法計(jì)算得到的柴油產(chǎn)率與實(shí)測(cè)值的對(duì)比結(jié)果。由圖3可以看出，機(jī)理模型能夠較好地反映柴油產(chǎn)率的波動(dòng)，原料變化對(duì)其影響較小，但預(yù)測(cè)精度較差。BP神經(jīng)網(wǎng)絡(luò)模型以位點(diǎn)歷史數(shù)據(jù)為輸入估算柴油產(chǎn)率，如圖4所示，其數(shù)據(jù)訓(xùn)練精度較高，而預(yù)測(cè)精度卻較差，其原因在于單純以位點(diǎn)歷史數(shù)據(jù)為輸入的BP神經(jīng)網(wǎng)絡(luò)模型沒有充分考慮原料物性變化所帶來(lái)的影響，當(dāng)原料性質(zhì)發(fā)生較大變化并超過訓(xùn)練樣本范圍時(shí)，其預(yù)測(cè)精度會(huì)發(fā)生較大偏差。由圖5可以看出，十一集總動(dòng)力學(xué)-BP神經(jīng)網(wǎng)絡(luò)混合模型的訓(xùn)練和預(yù)測(cè)精度都較高，能夠適應(yīng)不同物性原料和操作條件，在適用性與實(shí)用性方面具有較大的優(yōu)勢(shì)。

圖3 機(jī)理模型預(yù)測(cè)仿真曲線■—實(shí)測(cè)值； ●—預(yù)測(cè)值。 圖4、圖5同

圖4 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)仿真曲線

圖5 十一集總-BP神經(jīng)網(wǎng)絡(luò)混合模型預(yù)測(cè)仿真曲線

表1所示為以柴油數(shù)據(jù)為樣本構(gòu)建的機(jī)理模型、BP神經(jīng)網(wǎng)絡(luò)經(jīng)驗(yàn)?zāi)Ｐ秃褪患倓?dòng)力學(xué)-BP神經(jīng)網(wǎng)絡(luò)混合模型對(duì)應(yīng)的均方根誤差、平均絕對(duì)誤差和平均相對(duì)誤差。由各誤差項(xiàng)的對(duì)比可見，混合模型的均方根誤差、平均絕對(duì)誤差和平均相對(duì)誤差均最低，表明混合模型在預(yù)測(cè)延遲焦化裝置液體產(chǎn)品收率方面具有較大優(yōu)勢(shì)。

表1 3種模型樣本數(shù)據(jù)誤差對(duì)比

4 結(jié) 論

結(jié)合機(jī)理模型工程背景清晰和經(jīng)驗(yàn)?zāi)Ｐ挽`活性好、易于應(yīng)用的優(yōu)點(diǎn)，將機(jī)理模型和經(jīng)驗(yàn)?zāi)Ｐ痛?lián)，構(gòu)建十一集總-BP神經(jīng)網(wǎng)絡(luò)混合模型，對(duì)延遲焦化裝置液體產(chǎn)品產(chǎn)率進(jìn)行預(yù)測(cè)。以柴油產(chǎn)率預(yù)測(cè)為例，在機(jī)理模型將復(fù)雜體系降維的基礎(chǔ)上，構(gòu)建以原料油進(jìn)料量、蒸餾塔塔頂溫度、蒸餾塔塔釜溫度、蒸餾塔柴油集油箱抽出溫度、工作焦炭塔塔頂溫度和機(jī)理模型計(jì)算結(jié)果(L，V1，V2質(zhì)量流量)為輸入、柴油產(chǎn)率為輸出的8-12-1 BP神經(jīng)網(wǎng)絡(luò)混合模型。將混合模型與單一機(jī)理模型和神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比，結(jié)果表明混合模型預(yù)測(cè)精度受原料物性和操作條件波動(dòng)影響小，且均方根誤差、平均絕對(duì)誤差和平均相對(duì)誤差都最低，分別為0.751百分點(diǎn)，0.524百分點(diǎn)，2.01%，表明該混合模型在預(yù)測(cè)延遲焦化液體產(chǎn)品產(chǎn)率方面具有明顯的優(yōu)勢(shì)。

[1] 錢伯章.延遲焦化技術(shù)的發(fā)展前景[J].石油規(guī)劃設(shè)計(jì)，2005，16(4)：10-12

[2] 張忠洋，李澤欽，李宇龍，等.GA輔助BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)催化裂化裝置汽油產(chǎn)率[J].石油煉制與化工，2014，45(7)：91-96

[3] 馮玉梅，任杰.用神經(jīng)網(wǎng)絡(luò)建立蠟油與渣油催化裂化產(chǎn)品產(chǎn)率數(shù)學(xué)模型[J].石油煉制與化工，2000，31(3)：49-53

[4] 吳飛躍，翁惠新，羅世賢.FDFCC工藝中汽油提升管催化裂化反應(yīng)動(dòng)力學(xué)模型研究[J].石油煉制與化工，2007，38(10)：41-44

[5] 孫鐵棟，鐘孝湘，陳昀，等.渣油催化裂化集總動(dòng)力學(xué)模型的研究與應(yīng)用[J].石油煉制與化工，2001，32(4)：49-53

[6] Zhou Xiaolong，Di Xi，Yu Guoxian，et al.Simulation of delayed coking[J].Petroleum Science and Technology，2010，28(3)：277-285

[7] 周曉龍，陳紹洲，張一，等.減壓渣油族組分熱轉(zhuǎn)化反應(yīng)動(dòng)力學(xué)研究[J].石油學(xué)報(bào)(石油加工)，1999，15(1)：8-16

[8] Zhou Xiaolong，Chen Shaozhou，Li Chenlie.A predictive kinetic model for delayed coking[J].Petroleum Science and Technology，2007，25(12)：1539-1548

[9] 李新學(xué)，林瑞森.延遲焦化循環(huán)油組成的估算及其對(duì)生焦率的影響[J].石油煉制與化工，1999，30(9)：6-8

[10]周曉龍.殘?jiān)蜔徂D(zhuǎn)化復(fù)雜反應(yīng)動(dòng)力學(xué)模型研究[D].上海：華東理工大學(xué)，1995

[11]馬伯文，黃敏慧，陳紹洲，等.延遲焦化裝置優(yōu)化控制模型的建立與應(yīng)用[J].煉油設(shè)計(jì)，1998，28(4)：53-57

A LUMPING-BPNN HYBRID MODEL FOR PREDICTION OF LIQUID YIELD OF DELAYED COKING

Yang Wenjian， Zhang Yang， Zhang Xiaoqing， Zhou Xiaolong

(PetroleumProcessingResearchCenter，EastChinaUniversityofScienceandTechnology，Shanghai200237)

To improve the economic benefit of delayed coking unit (DCU)， it’s necessary to establish a precise yield prediction model for various feedstocks and operation conditions. A lumping-BP neural network hybrid model in a cascade form was established for a DCU with capacity of 1.4 Mt/a to predict the liquid yield of the unit， based on the mathematical model of the reactor under the assumption of dynamic balance from 11 lumping dynamic model and the BP neural network input of the mechanism model calculation results and the historical data of key sites. In the case study， the coking diesel yield was predicted by the hybrid model， and compared with the results of mechanism model， empirical model. The results demonstrate that among these three methods， the prediction accuracy of the hybrid model is the best. The impact of the material properties and operating conditions fluctuation on the hybrid model results is small， the root mean square error， mean absolute error and the average relative error is 0.751 percentage point， 0.524 percentage point， 2.01%， respectively.

lumping kinetics； neural networks； hybrid model； delayed coking； yield prediction

2014-12-29； 修改稿收到日期： 2015-03-16。

楊文劍，碩士研究生，主要研究方向?yàn)榛み^程建模與仿真。

周曉龍，xiaolong@ecust.edu.cn。