張利軍，王國(guó)清

（中國(guó)石化 北京化工研究院，北京 1 0 0 0 1 3）

石腦油裂解產(chǎn)物分布支持向量機(jī)模型的建立

張利軍，王國(guó)清

（中國(guó)石化 北京化工研究院，北京 1 0 0 0 1 3）

選擇工業(yè)上常用的石腦油物性參數(shù)和對(duì)裂解產(chǎn)物分布影響較大的裂解工藝參數(shù)等16個(gè)參數(shù)作為輸入?yún)?shù)，以裂解產(chǎn)物分布中的24種產(chǎn)物收率作為輸出結(jié)果，通過(guò)支持向量機(jī)（SVM）回歸建立了石腦油裂解反應(yīng)的經(jīng)驗(yàn)?zāi)Ｐ汀＝?jīng)過(guò)訓(xùn)練樣本訓(xùn)練獲得預(yù)測(cè)模型，比較模型的預(yù)測(cè)結(jié)果與預(yù)測(cè)樣本，模型的預(yù)測(cè)結(jié)果與實(shí)驗(yàn)數(shù)據(jù)基本相符。采用SVM模型對(duì)工業(yè)裂解爐進(jìn)行預(yù)測(cè)并與實(shí)際工業(yè)數(shù)據(jù)進(jìn)行對(duì)比，模型預(yù)測(cè)結(jié)果與工業(yè)數(shù)據(jù)基本相符，偏差小于5%。模型能夠用于裂解爐的優(yōu)化控制。

石腦油；支持向量機(jī)；裂解反應(yīng)；模型

在乙烯工業(yè)生產(chǎn)中，工藝流程的模擬及優(yōu)化逐漸成為一種有效提高乙烯產(chǎn)量與企業(yè)效益的重要輔助手段，對(duì)裂解爐的模擬是整個(gè)流程模擬中最重要的部分，而裂解反應(yīng)動(dòng)力學(xué)模型則是整個(gè)裂解爐模擬的核心［1-2］。因此，裂解反應(yīng)模型成為研究的重點(diǎn)。

經(jīng)驗(yàn)?zāi)Ｐ褪橇呀夥磻?yīng)模型的重要類(lèi)型之一，經(jīng)驗(yàn)?zāi)Ｐ桶l(fā)展初期，往往是以少數(shù)幾種原料或工藝參數(shù)與乙烯、丙烯收率等關(guān)聯(lián)，這種建立模型的方法簡(jiǎn)單實(shí)用但適應(yīng)性較差。近年來(lái)，隨著數(shù)學(xué)和計(jì)算機(jī)技術(shù)的發(fā)展，更多的研究者利用神經(jīng)網(wǎng)絡(luò)等新技術(shù)建立模型，能夠關(guān)聯(lián)更多的輸入?yún)?shù)和輸出參數(shù)，同時(shí)能夠利用工業(yè)數(shù)據(jù)進(jìn)行模型的學(xué)習(xí)和校正，使得這類(lèi)模型在自動(dòng)控制及優(yōu)化等方面重現(xiàn)了生機(jī)。

隨著以非線性大規(guī)模并行分布處理為主流的神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展和應(yīng)用，越來(lái)越多的研究者利用神經(jīng)網(wǎng)絡(luò)［3］、支持向量機(jī)（SVM）［4］等技術(shù)對(duì)裂解反應(yīng)模型進(jìn)行研究和改進(jìn)，王國(guó)清等［5］應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)石腦油裂解產(chǎn)物收率進(jìn)行模擬，該模型以大量的實(shí)驗(yàn)數(shù)據(jù)為基礎(chǔ)，通過(guò)模型的學(xué)習(xí)和訓(xùn)練，預(yù)測(cè)值與實(shí)驗(yàn)值的誤差僅為5%。與通常的回歸模型相比，該模型計(jì)算精度略高，但如果超出模型的學(xué)習(xí)和訓(xùn)練范圍，模型的預(yù)測(cè)值與實(shí)驗(yàn)值差距較大。黃一俞等［6］同樣應(yīng)用神經(jīng)網(wǎng)絡(luò)將工業(yè)裂解爐的進(jìn)料量、稀釋比、入口溫度、出口溫度、燃料氣流量、煙氣橫跨溫度、煙氣溫度等與乙烯、丙烯收率進(jìn)行關(guān)聯(lián)，計(jì)算結(jié)果與工業(yè)實(shí)際基本符合。

隨著統(tǒng)計(jì)學(xué)理論的發(fā)展，在小樣本情況下建立經(jīng)驗(yàn)?zāi)Ｐ统蔀榭赡?。王清江等?］在乙烯裝置生產(chǎn)經(jīng)營(yíng)數(shù)據(jù)的基礎(chǔ)上，采用SVM方法建立了模型，實(shí)現(xiàn)了生產(chǎn)計(jì)劃、調(diào)度的優(yōu)化，提高了生產(chǎn)經(jīng)營(yíng)計(jì)劃的準(zhǔn)確性。陳貴華等［8］采用最小二乘SVM（LSSVM）方法將裂解原料、工藝參數(shù)與裂解深度進(jìn)行關(guān)聯(lián)，得到了裂解深度的模型，與實(shí)際工業(yè)基本相符。劉佳等［9］采用PSO-LS-SVM（PSO為微粒群算法）方法對(duì)裂解爐乙烯收率進(jìn)行了建模，得到了與實(shí)際相符的模型。上述模型均僅對(duì)裂解爐的某個(gè)參數(shù)或某幾個(gè)參數(shù)進(jìn)行建模，并非完整的裂解產(chǎn)物分布模型，

本文工作利用SVM方法建立裂解產(chǎn)物分布模型，通過(guò)有限的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行模型訓(xùn)練，并在工業(yè)試驗(yàn)中得到驗(yàn)證。

1 模型的建立

1.1 SVM方法介紹

SVM方法建立在統(tǒng)計(jì)學(xué)習(xí)的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理的基礎(chǔ)上，根據(jù)有限的樣本信息在模型的復(fù)雜性（即對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度）和學(xué)習(xí)能力（即無(wú)錯(cuò)誤地識(shí)別任意樣本的能力）之間尋求最佳折衷，以期獲得最好的推廣能力。

SVM是Cortes和Vapnik于1995年首先提出的［10］，它在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)［11-14］。首先，它是專(zhuān)門(mén)針對(duì)有限樣本情況的，目標(biāo)是得到現(xiàn)有信息下的最優(yōu)解而不僅僅是樣本數(shù)趨于無(wú)窮大時(shí)的最優(yōu)值；其次，算法最終將轉(zhuǎn)化成為一個(gè)二次型尋優(yōu)問(wèn)題，從理論上，得到的將是全局最優(yōu)點(diǎn)，解決了在神經(jīng)網(wǎng)絡(luò)方法中無(wú)法避免的局部極值問(wèn)題；最后，算法將實(shí)際問(wèn)題通過(guò)非線性變換轉(zhuǎn)換到高維的特征空間，在高維空間中構(gòu)造線性判別函數(shù)來(lái)實(shí)現(xiàn)原空間中的非線性判別函數(shù)，特殊性質(zhì)能保證機(jī)器有較好的推廣能力，同時(shí)巧妙地解決了維數(shù)問(wèn)題，它的算法復(fù)雜度與樣本維數(shù)無(wú)關(guān)。

目前，SVM算法在模式識(shí)別、回歸估計(jì)、概率密度函數(shù)估計(jì)等方面都有應(yīng)用。在裂解反應(yīng)模型中采用SVM算法，主要是基于小樣本情況下的訓(xùn)練模型能較好推廣到更大的范圍內(nèi)應(yīng)用而不至于失真。

1.2 模型參數(shù)分類(lèi)

采用SVM方法建立石油烴熱裂解反應(yīng)模型首先需要對(duì)模型的輸入輸出進(jìn)行定義和分類(lèi)，通常模型的輸入?yún)?shù)分為兩類(lèi)：裂解原料的物性參數(shù)和裂解爐的工藝參數(shù)，將工業(yè)上常用的這兩類(lèi)參數(shù)經(jīng)過(guò)篩選和簡(jiǎn)化后可作為輸入?yún)?shù)；輸出參數(shù)則是希望通過(guò)模型得到的數(shù)據(jù)，通常裂解產(chǎn)物收率是最希望得到的，因此將24種裂解產(chǎn)物收率作為模型的輸出參數(shù)。

目前工業(yè)上對(duì)石腦油日常分析的項(xiàng)目通常為石腦油密度（20 ℃）、ASTM餾程（初餾點(diǎn)（IBP）、10%餾點(diǎn)、30%餾點(diǎn)、50%餾點(diǎn)、70%餾點(diǎn)、90%餾點(diǎn)、終餾點(diǎn)（EP））、族組成（正構(gòu)烷烴含量（NP）、異構(gòu)烷烴含量（IP）、烯烴含量（O）、環(huán)烷烴含量（N）、芳烴含量（A））。為了便于裂解反應(yīng)動(dòng)力學(xué)模型的工業(yè)應(yīng)用，按照烯烴廠日常分析項(xiàng)目的內(nèi)容重新組建了石腦油樣本，即石腦油物性為密度（20 ℃）、ASTM餾程（IBP、10%、30%、50%、70%、90%、EP）、族組成（NP、IP、N、A），族組成中O一般低于1%（w），且與NP、IP、N、A歸一，因此舍棄O這一物性參數(shù)，因此，模型共選原料物性參數(shù)12個(gè)。工業(yè)上，一般對(duì)裂解產(chǎn)物產(chǎn)生影響顯著又能夠調(diào)節(jié)控制的工藝條件包括輻射段出口溫度（COT）、輻射段出口壓力（COP）、水油比、停留時(shí)間，因此，選用這4個(gè)工藝參數(shù)作為輸入?yún)?shù)。綜上所述，模型共選用16個(gè)輸入?yún)?shù)，包括12個(gè)物性參數(shù)和4個(gè)工藝參數(shù)。

有了輸入和輸出參數(shù)后，建立完整的SVM模型還需要有適量的樣本數(shù)據(jù)，樣本數(shù)據(jù)可分為兩部分：大部分作為訓(xùn)練樣本，剩余部分則作為預(yù)測(cè)樣本。將訓(xùn)練樣本數(shù)據(jù)輸入SVM程序數(shù)據(jù)庫(kù)中，然后調(diào)用訓(xùn)練程序，待訓(xùn)練結(jié)束后自動(dòng)生成石腦油熱裂解反應(yīng)動(dòng)力學(xué)模型；將預(yù)測(cè)樣本的石腦油物性和工藝條件輸入預(yù)測(cè)程序中，可以計(jì)算出該石腦油在此工藝條件下的裂解產(chǎn)物收率。將預(yù)測(cè)樣本的計(jì)算結(jié)果與實(shí)驗(yàn)值進(jìn)行比較分析，可以對(duì)預(yù)測(cè)模塊的性能進(jìn)行測(cè)試。

1.3 模型訓(xùn)練

基于SVM的回歸分析原理編制了模型程序，包括三個(gè)部分：數(shù)據(jù)庫(kù)、訓(xùn)練程序、預(yù)測(cè)程序。數(shù)據(jù)庫(kù)里保存訓(xùn)練樣本的數(shù)據(jù)，為訓(xùn)練程序提供基礎(chǔ)數(shù)據(jù)；訓(xùn)練程序?qū)⒆詣?dòng)讀取數(shù)據(jù)庫(kù)提供的數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，對(duì)訓(xùn)練樣本的規(guī)律進(jìn)行模式識(shí)別，最終將其歸納進(jìn)模型并將該模型信息保存在相應(yīng)的文件中；預(yù)測(cè)程序是將石腦油物性和工藝條件變量輸入模型中，根據(jù)輸入的變量進(jìn)行計(jì)算并輸出計(jì)算結(jié)果。將石腦油訓(xùn)練樣本輸入SVM程序的數(shù)據(jù)庫(kù)中，然后調(diào)用訓(xùn)練程序?qū)ζ溥M(jìn)行訓(xùn)練，訓(xùn)練完畢后調(diào)用預(yù)測(cè)程序?qū)︻A(yù)測(cè)樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)。SVM回歸的基本原理如下：

對(duì)于輸入?yún)?shù)向量x（在此為16維的油品物性及工藝參數(shù)），尋找一個(gè)線性的超平面，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行最佳預(yù)測(cè)：

訓(xùn)練求解的目標(biāo)函數(shù)及約束如下：

式中，w是法向量；b是超平面截矩；yi是訓(xùn)練中的輸出結(jié)果向量；i是訓(xùn)練樣本標(biāo)號(hào)；N表示訓(xùn)練樣本個(gè)數(shù)。在求解后，w以l個(gè)支撐向量xj的線性組合表示，組合因子為αj，式（1）改寫(xiě)為：

對(duì)于非線性的數(shù)據(jù)，SVM采用核函數(shù)的方法將其在高維空間內(nèi)線性化，然后進(jìn)行預(yù)測(cè)，公式如下：

式中，K（·）表示核函數(shù)，可以選擇線性、多項(xiàng)式、徑向基等多種形式。由于徑向基核函數(shù)能夠較好地將非線性數(shù)據(jù)映射為線性數(shù)據(jù)，本工作選擇了徑向基核函數(shù)：

訓(xùn)練獲得SVM回歸模型后，預(yù)測(cè)程序在CPU為2.8 G、內(nèi)存為2 G的計(jì)算機(jī)上運(yùn)行時(shí)，能夠在1.0 s的時(shí)間內(nèi)給出模型的預(yù)測(cè)結(jié)果，計(jì)算速度快，符合裂解爐控制模型計(jì)算速度的要求。

2 實(shí)驗(yàn)部分

2.1 實(shí)驗(yàn)裝置

根據(jù)建立反應(yīng)模型的需要，搭建了裂解反應(yīng)實(shí)驗(yàn)裝置，如圖1所示。油品經(jīng)天平稱重后由泵打入預(yù)熱爐進(jìn)行預(yù)熱，蒸汽經(jīng)天平稱重后由泵打入經(jīng)過(guò)預(yù)熱的油品中，混合后進(jìn)入裂解反應(yīng)的核心區(qū)——爐膛。裂解反應(yīng)爐膛采用電加熱雙面輻射，多程耐高溫的Cr25Ni20爐管垂直懸掛于爐膛中央。油品經(jīng)裂解反應(yīng)后進(jìn)入急冷器迅速降溫，而后依次通過(guò)水冷罐和冰冷罐，裂解液相產(chǎn)品冷卻下來(lái)，裂解氣相產(chǎn)品則經(jīng)過(guò)緩沖瓶和取樣后由濕式流量計(jì)計(jì)量進(jìn)入后處理系統(tǒng)。

圖1 裂解反應(yīng)實(shí)驗(yàn)裝置Fig.1 The flowchart of the experimental furnace.

2.2 實(shí)驗(yàn)方案

樣本采集了16種石腦油熱裂解的試驗(yàn)數(shù)據(jù)。石腦油試樣中，密度（20 ℃）最大的為0.74 g/cm3，最小的為0.66 g/cm3。根據(jù)所選工藝參數(shù)和物性參數(shù)，對(duì)較寬范圍內(nèi)的各參數(shù)進(jìn)行實(shí)驗(yàn)，利采用正交設(shè)計(jì)，共進(jìn)行了16種石腦油的342次裂解實(shí)驗(yàn)。模型部分輸入?yún)?shù)的實(shí)驗(yàn)范圍見(jiàn)表1。

2.3 實(shí)驗(yàn)數(shù)據(jù)

經(jīng)多次試驗(yàn)后，得到了三百余條實(shí)驗(yàn)數(shù)據(jù)作為模型建立的樣本數(shù)據(jù)。部分?jǐn)?shù)據(jù)見(jiàn)表2。

表1 模型部分輸入?yún)?shù)的實(shí)驗(yàn)范圍Table 1 The range of input data of the model

表2 部分石腦油裂解的實(shí)驗(yàn)數(shù)據(jù)Table 2 Partial data of naphtha cracking in lab

3 結(jié)果與討論

3.1 模型評(píng)估

模型建立完成后，利用SVM模型按照預(yù)測(cè)樣本的輸入?yún)?shù)進(jìn)行預(yù)測(cè)，結(jié)果如表3和圖2所示，預(yù)測(cè)結(jié)果給出了24種裂解產(chǎn)物中較重要的5種，分別是氫氣、甲烷、乙烯、丙烯及丁二烯。從表3可看出，預(yù)測(cè)結(jié)果與樣本數(shù)據(jù)基本相符，相對(duì)誤差基本在5%以下。從圖2可看出，樣本數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)的數(shù)據(jù)點(diǎn)基本落在對(duì)角線附近，表明SVM模型預(yù)測(cè)的結(jié)果是可靠的，與實(shí)際數(shù)據(jù)相符。

表3 樣本數(shù)據(jù)和SVM模型的預(yù)測(cè)數(shù)據(jù)Table 3 Experimental data and predicted data of SVM model

圖2 樣本數(shù)據(jù)與SVM預(yù)測(cè)數(shù)據(jù)的比較Fig.2 Correlation between the predicted data of SVM model and experimental data.

3.2 模型應(yīng)用

SVM裂解反應(yīng)模型建立完成后，對(duì)其進(jìn)行了實(shí)際應(yīng)用，對(duì)工業(yè)裂解爐進(jìn)行預(yù)測(cè)并與實(shí)際工業(yè)數(shù)據(jù)進(jìn)行了對(duì)比，結(jié)果見(jiàn)表4和圖3。圖3中的數(shù)據(jù)點(diǎn)幾乎在對(duì)角線附近，可以看出SVM模型的預(yù)測(cè)結(jié)果能夠與工業(yè)數(shù)據(jù)很好地吻合，偏差小于5%，能夠用于工業(yè)裂解爐的模擬。

圖4為SVM模型的預(yù)測(cè)數(shù)據(jù)和工業(yè)數(shù)據(jù)隨裂解溫度的變化趨勢(shì)。從圖4可看出，模型預(yù)測(cè)數(shù)據(jù)隨COT的變化趨勢(shì)與工業(yè)實(shí)際結(jié)果基本一致，表明模型能夠用于工業(yè)實(shí)際過(guò)程的優(yōu)化控制。

表4 SVM預(yù)測(cè)數(shù)據(jù)與工業(yè)數(shù)據(jù)的比較Table 4 Comparison between predicted data and industrial data

圖3 工業(yè)數(shù)據(jù)與SVM預(yù)測(cè)數(shù)據(jù)的比較Fig.3 Comparison between the predicted data and industrial data.

圖4 裂解產(chǎn)物分布隨COT的變化Fig.4 Effect of COT on the product profile.

4 結(jié)論

1）利用實(shí)驗(yàn)室樣本數(shù)據(jù)建立了石腦油的SVM預(yù)測(cè)模型，模型的輸入?yún)?shù)包括石腦油的物性參數(shù)和裂解工藝參數(shù)共16個(gè)，輸出結(jié)果為24種裂解產(chǎn)物收率。從預(yù)測(cè)樣本與預(yù)測(cè)結(jié)果的比較可看出，經(jīng)過(guò)樣本訓(xùn)練的模型的預(yù)測(cè)結(jié)果與實(shí)驗(yàn)數(shù)據(jù)基本相符。

2）模型的預(yù)測(cè)結(jié)果與工業(yè)數(shù)據(jù)基本相符，偏差小于5%；模型預(yù)測(cè)的裂解產(chǎn)物分布隨工藝參數(shù)的變化趨勢(shì)與工業(yè)數(shù)據(jù)基本相符，建立的SVM預(yù)測(cè)模型能用于裂解產(chǎn)物收率的預(yù)測(cè)、裂解爐優(yōu)化控制等實(shí)際問(wèn)題中。

符 號(hào) 說(shuō) 明

［1］ 趙巖，何小榮，邱彤，等. 乙烯熱裂解爐模擬平臺(tái)的開(kāi)發(fā)及應(yīng)用［J］.計(jì)算機(jī)與應(yīng)用化學(xué)，2006，23（11）：1065-1068.

［2］ 張利軍，張永剛，王國(guó)清. 石腦油裂解反應(yīng)模型研究及應(yīng)用進(jìn)展［J］.化工進(jìn)展，2010，29（8）：1411-1417.

［3］ 段向軍，朱躍，陳乾偉. 新型神經(jīng)模糊系統(tǒng)及其在乙烯裂解爐建模中的應(yīng)用［J］.石油化工自動(dòng)化，2007，36（7）：699-704.

［4］ 王艷芳. 探究支持向量機(jī)算法在化學(xué)化工中的應(yīng)用［J］.當(dāng)代化工，2014，43（9）：1850-1855.

［5］ 王國(guó)清，杜志國(guó)，張利軍，等. 應(yīng)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)石腦油熱裂解產(chǎn)物收率［J］.石油化工，2007，36（1）：39-41.

［6］ 黃一俞. 乙烯裂解爐過(guò)程建模與操作優(yōu)化［D］.北京：北京化工大學(xué)，2005.

［7］ 王清江，凌澤濟(jì)，雷向欣. 采用支持向量機(jī)實(shí)現(xiàn)烯烴裂解料優(yōu)化選擇［J］.上?；?，2012，37（11）：13-17.

［8］ 陳貴華，王昕，王振雷，等. 基于模糊核聚類(lèi)的乙烯裂解深度DE-LSSVM多模型建模［J］.化工學(xué)報(bào)，2012，63（6）：1790-1796.

［9］ 劉佳，邵誠(chéng)，朱理. 基于遷移學(xué)習(xí)工況劃分的裂解爐收率PSO-LS-SVM建模［J］.化工學(xué)報(bào)，2016，67（5）：1982-1988.

［10］ Vapnik V. The nature of statistical learning theory［M］.New York：Springer，1995：244-257.

［11］ David V，Sanchez A. Advanced support vector machines and kernel method［J］.Neurocomputing，2003，55（1）：5-20.

［12］ 田盛豐，黃厚寬. 回歸型支持向量機(jī)的簡(jiǎn)化算法［J］.軟件學(xué)報(bào)，2002，13（6）：1169-1172.

［13］ 劉江華，程君實(shí)，陳佳品. 支持向量機(jī)訓(xùn)練算法綜述［J］.信息與控制，2002，31（1）：45-50.

［14］ 陶卿，曹進(jìn)得，孫德敏. 基于支持向量機(jī)分類(lèi)的回歸方法［J］.軟件學(xué)報(bào)，2002，13（5）：1024-1028.

（編輯 王 萍）

Modeling of steam cracking of naphtha by SVM

Zhang Lijun，Wang Guoqing
（Sinopec Beijing Research Institute of Chemical Industry，Beijing 100013，China）

Selection of commonly used industrial naphtha properties and process parameters as 16 input parameters，with 24 kinds of pyrolysis product yields as results，the support vector machine(SVM) model of regression was established for naphtha thermal cracking. The training samples are trained to obtain the prediction model；the prediction results and prediction samples of the model are compared. The prediction results of the model are roughly consistent with the experimental data. The industrial cracking furnace is predicted by SVM model and compared with the actual industrial data. The model predictions are roughly consistent with the industrial data，and the deviation is less than 5%. The model can be used for optimization control of cracking furnace.

naphtha；support vector machine；thermal cracking；model

10.3969/j.issn.1000-8144.2017.08.011

1000-8144（2017）08-1022-06

TQ 221.2

A

2017-04-07；［修改稿日期］2017-06-22。

張利軍（1976—），男，河南省濟(jì)源市人，博士，高級(jí)工程師，電話 010-59202725，電郵 zhanglj.bjhy@sinopec.com。