催化裂化是一個由多種高度非線性和相互強關(guān)聯(lián)因素影響的復雜工藝過程,對其工藝過程和產(chǎn)品收率優(yōu)化的數(shù)學建模分析一直是石油加工領(lǐng)域研究的熱點和難點。集總動力學模型是機理分析層面最為常用的研究方法。選用合適而快捷的參數(shù)估算和求取方法,是集總動力學模型構(gòu)建過程中的重要一環(huán)。遺傳算法、粒子群算法和模擬退火算法等智能算法一定程度上克服了經(jīng)典算法對初值依賴性,難尋找全局最優(yōu)的問題,同時還保證了算法的收斂性,對于集總動力學模型的發(fā)展起到了極大的促進作用。此外,通過構(gòu)建原料油性質(zhì)、催化劑性質(zhì)、操作條件和產(chǎn)品分布之間的神經(jīng)網(wǎng)絡模型,可以從統(tǒng)計學的角度找到產(chǎn)物分布的影響機制,分析得到常規(guī)集總分析方法忽略的一些因素,且可對產(chǎn)物分布進行進一步的預測,是構(gòu)建催化裂化分析模型的一種新型且有效的手段。筆者對現(xiàn)有關(guān)于人工智能算法在催化裂化工藝模型構(gòu)建中應用的研究成果做一整理,以期對后續(xù)的研究提供幫助。 

【文章來源】：石油學報(石油加工). 2020,36(04)北大核心EICSCD

【文章頁數(shù)】：11 頁

【部分圖文】：

遺傳算法框架圖

從計算過程來看,PSO具有較強的全局收斂能力,但依然存在收斂速率和收斂性能較低等不足,在實際使用中,需要結(jié)合其他算法來彌補其不足。在催化裂化中,PSO常常被用來計算集總動力學模型的參數(shù)。Sani等[31]比較了非支配排序遺傳算法II(NSGA-II)和混沌粒子群優(yōu)化算法(C-PSO)對二十七集總動力學模型參數(shù)進行估計時的性能。結(jié)果表明,從計算時間和全局尋優(yōu)的角度,C-PSO粒子群算法都具有更出色的表現(xiàn)。Chen等[32]采用混合粒子群優(yōu)化算法(HPSO)結(jié)合進化算法,對八集總催化裂化動力學模型的21個動力學參數(shù)進行了求解,得到的模型動力學參數(shù)結(jié)果與實驗結(jié)果表現(xiàn)出良好的一致性。栗偉等[33]在所構(gòu)建的FCC集總模型中,采用結(jié)合Levenberg-Marquardt算法的PSO算法來計算動力學參數(shù),還考察了其他多種優(yōu)化算法的實際運算效果。結(jié)果表明,粒子群算法不僅簡單易用,得到的動力學參數(shù)也非常精確。綜上可知,通過將粒子群算法與其他算法進行結(jié)合,可以很好地彌補粒子群算法自身的不足,并極大地提升粒子群算法的尋優(yōu)能力,從而顯著地提高催化裂化模型的準確性。1.3 模擬退火算法

在優(yōu)化催化裂化模型的過程中,模擬退火算法經(jīng)常與局部最優(yōu)算法聯(lián)合使用,從而在不同層面上尋找模型參數(shù)的最優(yōu)值。杜玉朋[35]通過模擬退火法(全局)-最小二乘法(局部)-模擬退火法(全局)3層逐層尋優(yōu)算法,對兩段提升管催化裂解多產(chǎn)丙烯(TMP)的完整數(shù)學模型進行了模型參數(shù)估計,完成了十集總動力學模型的構(gòu)建。結(jié)果表明,模型能夠很好地對TMP技術(shù)在不同操作條件下的產(chǎn)物分布進行預測。在分子尺度的計算中,模擬退火算法也表現(xiàn)出良好的適用性。王勝[36]采用了模擬退火法優(yōu)化了基于深度催化裂化(DCC)工藝而建立的分子尺度模型。閆昊等[37]利用結(jié)構(gòu)導向集總與Monte Carlo模擬方法相結(jié)合,構(gòu)建了廢棄油脂催化裂化反應的分子尺度動力學模型,并利用模擬退火算法對原料矩陣進行優(yōu)化。結(jié)果表明,模型可以很好地對原料性質(zhì)和產(chǎn)物分布進行預測。由以上分析可知,通過模擬退火算法以及將模擬退火算法與其他算法進行結(jié)合,有助于降低模型預測值與真實值之間的差異。綜合所述,在催化裂化集總動力學模型參數(shù)的求解過程中,遺傳算法、粒子群算法以及模擬退火算法存在許多相似之處,通過不斷地迭代在可行解空間中尋找最優(yōu)解,并采取相應的策略以避免陷入局部最優(yōu),從而保證算法的收斂性和穩(wěn)定性。但是在尋找最優(yōu)解的過程中,遺傳算法、粒子群算法和模擬退火算法所采取的策略大不相同。因此,3種算法在模型求解尋優(yōu)中各有所長,實際應用過程中,應根據(jù)具體的問題靈活選擇。

【參考文獻】：
期刊論文
[1]BP神經(jīng)網(wǎng)絡結(jié)合遺傳算法優(yōu)化MIP工藝的產(chǎn)品分布[J]. 歐陽福生,游俊峰,方偉剛.  石油煉制與化工. 2018(08)
[2]催化裂化反應系統(tǒng)關(guān)鍵裝備技術(shù)研究進展[J]. 盧春喜,范怡平,劉夢溪,姚秀穎.  石油學報(石油加工). 2018(03)
[3]催化裂化技術(shù)面臨的挑戰(zhàn)與機遇[J]. 楊朝合,陳小博,李春義,山紅紅.  中國石油大學學報(自然科學版). 2017(06)
[4]基于粒子群算法的BP神經(jīng)網(wǎng)絡在催化裂化反應再生過程中的應用[J]. 高玉夢,邢藝凡,付杰,張偉,趙進慧.  計算機與應用化學. 2017(11)
[5]大數(shù)據(jù)挖掘分析在航空發(fā)動機狀態(tài)監(jiān)控與故障診斷中的應用[J]. 曠典,付堯明,房麗瑤.  西安航空學院學報. 2017(05)
[6]石油和化工行業(yè)智能優(yōu)化制造若干問題及挑戰(zhàn)[J]. 錢鋒,杜文莉,鐘偉民,唐漾.  自動化學報. 2017(06)
[7]集總動力學模型結(jié)合神經(jīng)網(wǎng)絡預測催化裂化產(chǎn)物收率[J]. 歐陽福生,劉永吉.  石油化工. 2017(01)
[8]基于結(jié)構(gòu)導向集總的廢棄油脂催化裂化分子尺度動力學模型[J]. 閆昊,劉熠斌,馮翔,楊朝合,山紅紅.  化工學報. 2017(04)
[9]大數(shù)據(jù)技術(shù)在過程工業(yè)中的應用研究進展[J]. 蘇鑫,吳迎亞,裴華健,藍興英,高金森.  化工進展. 2016(06)
[10]以BP神經(jīng)網(wǎng)絡為基礎(chǔ)的MIP工藝過程產(chǎn)品分布優(yōu)化[J]. 歐陽福生,方偉剛,唐嘉瑞,江洪波.  石油煉制與化工. 2016(05)

博士論文
[1]兩段提升管催化裂解多產(chǎn)丙烯（TMP）技術(shù)提升管反應器的模型化[D]. 杜玉朋.中國石油大學(華東) 2016

碩士論文
[1]基于遺傳算法和BP神經(jīng)網(wǎng)絡的微渦流混凝投藥控制模型研究[D]. 樊琦.華東交通大學 2018
[2]數(shù)據(jù)挖掘技術(shù)在MIP工藝汽油收率優(yōu)化中的應用[D]. 趙媛媛.華東理工大學 2018
[3]MIP-CGP工藝8集總反應動力學模型[D]. 黃帥.華東理工大學 2017
[4]集總動力學模型結(jié)合神經(jīng)網(wǎng)絡預測重油催化裂化產(chǎn)物收率[D]. 劉永吉.華東理工大學 2017
[5]數(shù)據(jù)挖掘技術(shù)在催化裂化MIP工藝產(chǎn)品分布優(yōu)化中的應用研究[D]. 方偉剛.華東理工大學 2016
[6]MIP裝置汽油產(chǎn)率預測和優(yōu)化的新方法[D]. 唐嘉瑞.華東理工大學 2016
[7]靈活多效催化裂化工藝（FDFCC）集總動力學模型的研究[D]. 虞正愷.華東理工大學 2012



本文編號：3279110