郭子江，尹晨陽，馬國光，熊好羽，杜 雙

（1.中國石化勝利油田分公司投資發(fā)展處，山東 東營 257000；

2.西南石油大學(xué) 油氣藏地質(zhì)及開發(fā)工程國家重點(diǎn)實(shí)驗(yàn)室，四川 成都 610500)

隨著我國經(jīng)濟(jì)的發(fā)展， 氦氣的需求量不斷上升，我國的氦氣主要依賴進(jìn)口。 低溫分離法是目前廣泛采用的天然氣提氦工藝，目前，我國唯一運(yùn)行中的天然氣提氦裝置是四川榮縣建成的天然氣提氦裝置，實(shí)現(xiàn)了天然氣提氦與LNG一體化生產(chǎn)[1,2]。為進(jìn)一步優(yōu)化低溫提氦工藝，本文在前期研究結(jié)果基礎(chǔ)上[3]，對(duì)低溫提氦工藝進(jìn)行改進(jìn)，提出基于BP神經(jīng)網(wǎng)絡(luò)的能耗預(yù)測(cè)模型，以綜合能耗及粗氦濃度為目標(biāo)值， 預(yù)測(cè)本工藝在6個(gè)影響因素變化下低溫提氦的最優(yōu)工藝參數(shù)，從而更好的降低工藝能耗水平。

1 氮?dú)馀蛎浹h(huán)制冷脫氦流程

1.1 天然氣氣質(zhì)條件

對(duì)四川某天然氣提氦廠的初始原料氣進(jìn)行脫水、脫酸、脫碳等處理之后，得到滿足低溫工藝要求的原料氣。 該原料氣的溫度為35℃， 進(jìn)料壓力為2.33MPa，處理量為3.728×105Nm3/d。 具體原料氣組成見表1。

表1 天然氣組成

1.2 工藝流程

氮?dú)庋h(huán)制冷工藝的流程如圖1， 本方案只有氮?dú)庋h(huán)制冷一個(gè)制冷單元，為本流程提供全部所需的冷量。 氮?dú)饨?jīng)過三級(jí)壓縮， 從190kPa壓縮至8.4MPa后，經(jīng)過冷卻器水冷至40℃后進(jìn)入換熱器1、2、3進(jìn)行深度冷卻，經(jīng)過膨脹機(jī)2膨脹后依次進(jìn)入換熱器3、2、1提供冷量， 從換熱器1出來后進(jìn)入壓縮機(jī)，如此循環(huán)。

圖1 氮?dú)馀蛎浹h(huán)制冷流程

凈化后的原料氣通過換熱器1和換熱器2后進(jìn)入一級(jí)提氦塔。 液體5從塔底再沸器中出來，經(jīng)過換熱器3節(jié)流后進(jìn)入閃蒸罐， 閃蒸出氮?dú)獯嫒隠NG儲(chǔ)罐。 未經(jīng)液化的氮?dú)夂秃鈴囊患?jí)提氦塔塔頂冷凝器出來，通過換熱器3換熱、節(jié)流后進(jìn)入二級(jí)提氦塔對(duì)氦氣與氮?dú)庠俅芜M(jìn)行分離。 從二級(jí)提氦塔塔頂冷凝器出來的粗氦依次經(jīng)過換熱器3、2、1后進(jìn)行冷量的回收，得到粗氦，然后輸送至下一級(jí)進(jìn)行粗氦精制。

HYSYS模擬計(jì)算結(jié)果見表2。

根據(jù)低溫提氦工藝前期研究結(jié)果[3]，對(duì)于本低溫提氦工藝流程，影響提氦塔設(shè)備能耗的主要參數(shù)有一級(jí)提氦塔進(jìn)料溫度、壓力、回流比。 影響制冷單元設(shè)備能耗的主要參數(shù)有制冷劑高壓、低壓壓力和制冷劑流量。 以粗氦產(chǎn)品體積分?jǐn)?shù)63.5%以上、設(shè)備能耗最小為優(yōu)化目標(biāo)，將以上對(duì)能耗影響較大的參數(shù)選為優(yōu)化變量。

表2 模擬計(jì)算結(jié)果

根據(jù)以上對(duì)各個(gè)因素的分析，各變量優(yōu)化的范圍見表3。

表3 變量優(yōu)化范圍

2 BP神經(jīng)算法

對(duì)于該低溫提氦流程的優(yōu)化， 自變量有六種，在六種自變量的共同作用下因變量即粗氦濃度和能耗的變化錯(cuò)綜復(fù)雜。 因此，在流程的參數(shù)優(yōu)化上，考慮利用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)低溫提氦工藝能耗及粗氦濃度變化。

BP神經(jīng)網(wǎng)絡(luò)的算法程序流程圖如圖2。

2.1 數(shù)據(jù)選取與預(yù)處理

利用BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)流程中的能耗和粗氦濃度的模型，首先要求數(shù)據(jù)的準(zhǔn)確性高、典型性好、數(shù)據(jù)量大。 其次，為了驗(yàn)證建立模型的準(zhǔn)確性，還需尋找一定量的測(cè)試樣本。

（1）試驗(yàn)設(shè)計(jì)

對(duì)于工藝中的六個(gè)優(yōu)化變量，將采用正交試驗(yàn)設(shè)計(jì)方法，選取出全面而合適的數(shù)據(jù)組，并得出結(jié)論，以便于對(duì)于后續(xù)優(yōu)化方法的進(jìn)行。

本文中有六個(gè)因素變量， 將六個(gè)變量劃分成5個(gè)水平，如表4。

圖2 BP神經(jīng)網(wǎng)絡(luò)算法流程圖

表4 變量水平分布

綜合考慮選用正交表L50（511）較為合適[4]。 因?yàn)楸敬沃挥?個(gè)因素，而該型正交表因素列有11項(xiàng)，因此將六個(gè)因素按編碼A、B、C、D、E、F安排在前六列，G、H、I、J、K五列設(shè)為空列安排在后五列。

（2）測(cè)試樣本

通過HYSYS模擬出20組測(cè)試樣本，如表5。 測(cè)試樣本是為了評(píng)價(jià)所建立的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)于本次流程能耗和粗氦濃度計(jì)算的準(zhǔn)確性，組數(shù)越多可能偏差較大的情況就會(huì)出現(xiàn)， 但都在工程誤差以內(nèi)，根據(jù)經(jīng)驗(yàn)選取20組數(shù)據(jù)較為合適。

由于本次BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)的變量取值差異較大， 如果將變量直接應(yīng)用在建立的訓(xùn)練模型，將會(huì)增大神經(jīng)網(wǎng)絡(luò)權(quán)值差。 經(jīng)過研究發(fā)現(xiàn)，經(jīng)過歸一化處理的數(shù)據(jù)對(duì)訓(xùn)練速度和精度都有較好的提升。 這里將采用以下公式將數(shù)據(jù)處理為區(qū)間[-1，1]之間的數(shù)據(jù)：

式中： 為樣本經(jīng)過歸一化處理之后的數(shù)據(jù)；xi為未標(biāo)準(zhǔn)化的數(shù)據(jù)；xmin、xmax為訓(xùn)練數(shù)據(jù)項(xiàng)中的最小值和最大值。

2.2 BP神經(jīng)網(wǎng)絡(luò)模型建立

（1）建立網(wǎng)絡(luò)結(jié)構(gòu)

研究表明，增加隱含層的數(shù)目會(huì)使網(wǎng)絡(luò)性能降低。而單隱層的BP神經(jīng)網(wǎng)絡(luò)已經(jīng)可以逼近一個(gè)任意的連續(xù)非線性函數(shù)，因此選用BP神經(jīng)網(wǎng)絡(luò)最基本的三層結(jié)構(gòu)來設(shè)計(jì)算法，包含有輸入層、隱含層和輸出層。BP網(wǎng)絡(luò)輸入層和輸出層是由輸入和輸出向量的維數(shù)決定的[5,6]。 在本文將制冷劑高壓壓力、制冷劑低壓壓力、制冷劑流量、一級(jí)提氦塔進(jìn)料溫度、一級(jí)提氦塔進(jìn)料壓力、 一級(jí)提氦塔回流比6個(gè)因素作為輸入?yún)?shù)，因此確定數(shù)值6為輸入層節(jié)點(diǎn)數(shù)；將粗氦濃度或綜合能耗作為神經(jīng)網(wǎng)絡(luò)的輸出分別進(jìn)行模擬計(jì)算，因此輸出層的節(jié)點(diǎn)數(shù)為1。

隱含層節(jié)點(diǎn)與訓(xùn)練樣本數(shù)及樣本復(fù)雜程度有關(guān)。 首先根據(jù)經(jīng)驗(yàn)公式初步確定隱含層中神經(jīng)元的個(gè)體數(shù)，在確定個(gè)體數(shù)后，對(duì)比神經(jīng)元系統(tǒng)的數(shù)量對(duì)網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)泛化的影響，選擇最佳的個(gè)體數(shù)和較高學(xué)習(xí)泛化效果的假設(shè)建模，以此作為最終模型確定的隱含層節(jié)點(diǎn)數(shù)[6,7]。設(shè)隱含層的節(jié)點(diǎn)數(shù)為m，則常用來計(jì)算的經(jīng)驗(yàn)公式為[8]：

式中：l為輸入層節(jié)點(diǎn)數(shù)；n為輸出層節(jié)點(diǎn)數(shù)；a為1到10之間的常數(shù)。

按照訓(xùn)練誤差最小的原則選定隱含層節(jié)點(diǎn)數(shù)。具體訓(xùn)練誤差與節(jié)點(diǎn)數(shù)的關(guān)系見圖3。

圖3 訓(xùn)練誤差與隱含層節(jié)點(diǎn)數(shù)關(guān)系曲線

由圖3可知，當(dāng)隱含層節(jié)點(diǎn)數(shù)小于8時(shí)，訓(xùn)練誤差波動(dòng)范圍較小，有逐漸降低的趨勢(shì)，在節(jié)點(diǎn)數(shù)8處誤差將到最小。 在節(jié)點(diǎn)數(shù)為9時(shí)，誤差陡增之后的節(jié)點(diǎn)數(shù)都使誤差在一個(gè)相當(dāng)高的數(shù)據(jù)中。 因此本次建模選擇隱含層節(jié)點(diǎn)數(shù)為8。 由此得出預(yù)測(cè)粗氦濃度或綜合能耗的BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖4所示。

圖4 預(yù)測(cè)綜合能耗或粗氦濃度的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

（2）設(shè)置網(wǎng)格參數(shù)

輸入層和隱含層的傳遞函數(shù)均選用sigmoid型正切函數(shù)tansig，輸出層傳遞函數(shù)選用purelin線性函數(shù)。 在本模型中的學(xué)習(xí)算法選用traingdx函數(shù)，具有收斂誤差小、收斂速度快的優(yōu)點(diǎn)[9]。 為保證訓(xùn)練系統(tǒng)學(xué)習(xí)的穩(wěn)定性，防止學(xué)習(xí)速率過大不收斂，學(xué)習(xí)速率過小導(dǎo)致訓(xùn)練時(shí)間變長，收斂變慢，設(shè)定學(xué)習(xí)速率范圍為（0.02，0.1）。 因此，本文通過嘗試，將學(xué)習(xí)效率設(shè)置在0.05較合適。 設(shè)置本次模型學(xué)習(xí)次數(shù)為5000次。設(shè)置網(wǎng)格的目標(biāo)誤差為0.65×10-3，以確定學(xué)習(xí)的結(jié)束時(shí)機(jī)；網(wǎng)格訓(xùn)練顯示間隔設(shè)置為1000。

2.3 訓(xùn)練模型結(jié)果分析

因?yàn)榫C合能耗和粗氦的數(shù)值差異較大，因此分別進(jìn)行模擬并得到結(jié)果。 綜合能耗及粗氦濃度的神經(jīng)網(wǎng)絡(luò)運(yùn)算學(xué)習(xí)次數(shù)分別在830、1286次時(shí)結(jié)果已經(jīng)收斂。

具體神經(jīng)網(wǎng)絡(luò)算法運(yùn)算訓(xùn)練學(xué)習(xí)過程與預(yù)測(cè)測(cè)試數(shù)據(jù)對(duì)比如圖5～圖8。 從圖中的訓(xùn)練結(jié)果中可以看出，訓(xùn)練的預(yù)測(cè)結(jié)果與測(cè)試數(shù)據(jù)的曲線圖基本重合，訓(xùn)練結(jié)果與訓(xùn)練數(shù)據(jù)的平均相對(duì)誤差均小于0.44%， 預(yù)測(cè)結(jié)果與測(cè)試數(shù)據(jù)之間的平均相對(duì)誤差小于1.4%， 證明本次BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果比較好，得到的經(jīng)過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)能夠用于預(yù)測(cè)本次流程的綜合能耗和粗氦濃度。

圖5 訓(xùn)練綜合能耗BP神經(jīng)網(wǎng)絡(luò)結(jié)果圖

圖6 訓(xùn)練好的綜合能耗BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果圖

圖7 訓(xùn)練粗氦濃度BP神經(jīng)網(wǎng)絡(luò)結(jié)果圖

圖8 訓(xùn)練好的粗氦濃度BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果圖

2.4 利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)優(yōu)化

利用matlab將以上的六因素五水平經(jīng)過排列組合得到15625組排列， 以每1000組作為一次預(yù)測(cè)運(yùn)算，獲得的部分運(yùn)算結(jié)果如圖9～圖10。

圖9 第1～1000組綜合能耗預(yù)測(cè)圖

圖10 第1～1000組粗氦濃度預(yù)測(cè)圖

將每組的綜合能耗和粗氦濃度計(jì)算出后，先去掉數(shù)據(jù)中粗氦體積分?jǐn)?shù)在63.5%以下的分組， 剩下5354組生產(chǎn)的粗氦體積分?jǐn)?shù)在63.5%的要求以上，再將剩下的分組按照能耗進(jìn)行排列，最終得到一組關(guān)于能耗的最優(yōu)解， 此時(shí)的制冷劑高壓壓力7000kPa， 制冷劑低壓壓力360kPa， 制冷劑流量4300kmol/h，一級(jí)塔進(jìn)料溫度-115℃，一級(jí)塔進(jìn)料壓力2180kPa，一級(jí)塔回流比1.4。 在這個(gè)參數(shù)條件下，通過網(wǎng)絡(luò)訓(xùn)練得到的綜合能耗為13024.2kW， 粗氦體積分?jǐn)?shù)為63.53%，滿足生產(chǎn)需求。

將BP模型計(jì)算結(jié)果輸入HYSYS工藝模型得到模擬結(jié)果，兩者誤差見表5。

表5 誤差分析

由表5可知，計(jì)算結(jié)果與模擬結(jié)果誤差很小，表明計(jì)算結(jié)果可靠。 優(yōu)化后的參數(shù)及結(jié)果見表6。

表6 優(yōu)化參數(shù)及結(jié)果

圖11 壓縮機(jī)組能耗變化

圖12 一級(jí)提氦塔能耗變化

圖13 二級(jí)提氦塔能耗變化

圖14 總能耗變化

從圖11～圖14可分別看出不同設(shè)備能耗的降低量； 由表6可看出該裝置在保證粗氦體積分?jǐn)?shù)大于63.5%情況下， 總能耗降低了18.08%， 節(jié)能效果顯著。

3 結(jié)論

本文選擇了BP神經(jīng)網(wǎng)絡(luò)算法對(duì)低溫提氦工藝進(jìn)行優(yōu)化，得出以下結(jié)論：

（1）將六個(gè)因素范圍分別化成五個(gè)水平，計(jì)算出對(duì)應(yīng)的綜合能耗和粗氦體積分?jǐn)?shù)，完成BP神經(jīng)網(wǎng)絡(luò)算法需要的學(xué)習(xí)樣本。 將六個(gè)因素在范圍中隨機(jī)取20組數(shù)據(jù)，并計(jì)算出對(duì)應(yīng)的綜合能耗和粗氦體積分?jǐn)?shù)，完成BP神經(jīng)網(wǎng)絡(luò)算法需要的測(cè)試樣本。

（2）經(jīng)過研究，確定本次BP神經(jīng)網(wǎng)絡(luò)算法的隱藏節(jié)點(diǎn)數(shù)為8時(shí)誤差范圍較小，并在MATLAB中進(jìn)行數(shù)據(jù)歸一化的處理及運(yùn)算編程，對(duì)運(yùn)算結(jié)果誤差較小，表明訓(xùn)練結(jié)果可靠，可以用于綜合能耗和粗氦濃度的預(yù)測(cè)。

（3）將六個(gè)因素的五個(gè)水平利用matlab進(jìn)行排列組合，得到15625種不同的組合，將不同的組合帶入之前訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)算法中進(jìn)行預(yù)測(cè)計(jì)算，分析得出最優(yōu)結(jié)果。 通過網(wǎng)絡(luò)訓(xùn)練得到的綜合能耗為13347kW， 粗氦體積分?jǐn)?shù)在滿足生產(chǎn)需求63.5%條件下，總能耗降低了18.08%，利用此模型對(duì)低溫提氦工藝有顯著的節(jié)能效果。