在天然氣液化工藝中,如果原料氣中含有CO₂,會造成設備和管道的腐蝕,嚴重影響天然氣的質(zhì)量。哌嗪（PZ）活化N—甲基二乙醇胺（MDEA）溶液脫碳工藝不僅具有CO₂溶解度大、反應熱小的特點,而且還具有溶液的再生能耗低、溶液穩(wěn)定性好、不降解、揮發(fā)性低、對碳鋼設備無腐蝕等優(yōu)點,已應用于天然氣液化工藝。支持向量回歸機（Support Vector Regression,SVR）作為機器學習理論的重要算法,已經(jīng)在多個領域得到了廣泛應用,多核函數(shù)的引入使SVR不再拘泥于尋找一個最優(yōu)的單核實現(xiàn)回歸算法,而是嘗試尋找與樣本數(shù)據(jù)集特性更匹配的融合新核,以提高模型的精確度和泛化能力。本論文將多核SVR理論引入到PZ活化MDEA脫碳工藝模型計算中,對工藝參數(shù)優(yōu)化有一定的指導意義。首先,論文從化學熱力學和動力學的基本原理著手,分析現(xiàn)有CO₂在PZ活化MDEA中的溶解度模型特點和適用范圍,結合天然氣液化項目工程,提出CO₂在PZ活化MDEA中的溶解度熱力學模型;其次,結合主流核函數(shù)和SVR理論建立四種基于單核SVR的脫碳工藝溶... 

【文章來源】：西安石油大學陜西省

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國內(nèi)外針對天然氣脫碳的研究
        1.2.2 國內(nèi)外對于支持向量回歸的研究現(xiàn)狀
    1.3 論文主要研究內(nèi)容
        1.3.1 研究目標
        1.3.2 主要內(nèi)容
    1.4 論文組織結構
第二章 多核SVR理論
    2.1 支持向量機SVM
        2.1.1 機器學習理論
        2.1.2 統(tǒng)計學習理論
    2.2 支持向量回歸機SVR
        2.2.1 損失函數(shù)
        2.2.2 核函數(shù)學習
        2.2.3 SVR理論
        2.2.4 SVR模型建立流程
    2.3 本章小結
第三章 PZ活化MDEA脫碳工藝參數(shù)優(yōu)化
    3.1 PZ活化MDEA脫碳工藝CO2溶解度計算模型的建立
        3.1.1 體系平衡關系
        3.1.2 模型的簡化
    3.2 溶液循環(huán)量計算
    3.3 工藝參數(shù)對溶液循環(huán)量影響分析
        3.3.1 吸收塔壓力對溶液循環(huán)量的影響
        3.3.2 吸收塔溫度對溶液循環(huán)量的影響
        3.3.3 MDEA濃度對溶液循環(huán)量的影響
        3.3.4 PZ濃度對溶液循環(huán)量的影響
    3.4 PZ活化MDEA脫碳工藝參數(shù)優(yōu)化分析
    3.5 本章小結
第四章 基于多核SVR的PZ活化MDEA脫碳工藝研究
    4.1 PZ活化MDEA脫碳工藝重要參數(shù)
    4.2 脫碳工藝基礎數(shù)據(jù)的預處理
    4.3 單核SVR溶液循環(huán)量預測模型
        4.3.1 基于LINEAR核SVR溶液循環(huán)量預測模型
        4.3.2 基于POLY核SVR溶液循環(huán)量預測模型
        4.3.3 基于RBF核SVR溶液循環(huán)量預測模型
        4.3.4 基于S型核SVR溶液循環(huán)量預測模型
    4.4 多核SVR溶液循環(huán)量預測
        4.4.1 多核SVR溶液循環(huán)量預測模型搭建
        4.4.2 多核SVR溶液循環(huán)量預測仿真實驗分析
    4.5 仿真實驗結果分析
    4.6 本章小結
第五章 基于多核SVR的PZ活化MDEA脫碳模型軟件系統(tǒng)設計與實現(xiàn)
    5.1 系統(tǒng)總體設計
        5.1.1 系統(tǒng)設計目標
        5.1.2 軟件體系結構設計
        5.1.3 主要模塊設計
    5.2 多核SVR的PZ活化MDEA脫碳工藝模型軟件系統(tǒng)的實現(xiàn)
    5.3 關鍵技術介紹
    5.4 本章小結
第六章 總結與展望
    6.1 研究總結
    6.2 研究展望
致謝
參考文獻
攻讀碩士學位期間發(fā)表的論文


【參考文獻】：
期刊論文
[1]基于多核SVR的PZ活化MDEA脫碳工藝溶液循環(huán)量預測[J]. 爨瑩,史瑤捷.  信息技術與信息化. 2017(09)
[2]高含CO2天然氣脫碳工藝中MDEA活化劑優(yōu)選[J]. 張磊,蔣洪.  石油與天然氣化工. 2017(04)
[3]液化天然氣發(fā)展現(xiàn)狀及前景展望[J]. 林瓏,曹傳超,劉燕妮,王文靜.  能源研究與利用. 2017(03)
[4]ProMax模擬MDEA配方溶液脫硫脫碳[J]. 黃文佼,付翔.  科技創(chuàng)新與應用. 2013(19)
[5]疊加支持向量機及其在醋酸精餾軟測量中的應用[J]. 李靜,劉愛倫.  華東理工大學學報(自然科學版). 2013(02)
[6]MDEA—PZ復合溶液脫除油田伴生氣中CO2[J]. 李清方.  油氣田地面工程. 2013(04)
[7]基于優(yōu)化SVM的城市快速路網(wǎng)交通流狀態(tài)判別[J]. 董春嬌,邵春福,熊志華.  北京交通大學學報. 2011(06)
[8]天然氣配方型脫碳溶劑的開發(fā)與應用[J]. 陳賡良.  天然氣與石油. 2011(02)
[9]富含二氧化碳的天然氣分離及其利用[J]. 姚曉龍,王彥明,李新奇.  廣州化工. 2010(09)
[10]多核學習方法[J]. 汪洪橋,孫富春,蔡艷寧,陳寧,丁林閣.  自動化學報. 2010(08)

博士論文
[1]支撐向量回歸算法及其應用研究[D]. 鄭逢德.北京工業(yè)大學 2012
[2]支持向量機學習算法若干問題的研究[D]. 常甜甜.西安電子科技大學 2010
[3]數(shù)據(jù)挖掘與量化計算在鈣鈦礦體系QSPR研究中的應用[D]. 劉旭.上海大學 2010
[4]基于機器學習的入侵檢測方法研究[D]. 尹清波.哈爾濱工程大學 2007
[5]酸性氣體（H2S，CO2）的脫除及其氣液傳質(zhì)特性的研究[D]. 陸建剛.南京理工大學 2005

碩士論文
[1]基于選擇性集成學習的支持向量機分類研究[D]. 扈曉君.山東師范大學 2015
[2]簡化多核支持向量機的研究[D]. 杜海洋.北京交通大學 2015
[3]蟻群算法在釹鐵硼氫粉碎控制系統(tǒng)中的應用[D]. 陸春偉.內(nèi)蒙古科技大學 2014
[4]基于支持向量機的高光譜多類別分類研究[D]. 楊學東.西安電子科技大學 2011
[5]MDEA為主體的混合胺法吸收CO2的研究[D]. 馬樂.北京化工大學 2011
[6]基于支持向量機的音樂自動分類[D]. 朱健康.天津大學 2010
[7]基于多種特征的視頻分類研究[D]. 宋剛.西南大學 2010
[8]基于支持向量機的軟件可靠性模型研究[D]. 何俊學.蘭州理工大學 2009
[9]支持向量機的若干問題的研究[D]. 劉鵬.貴州大學 2007



本文編號：2946852