基于Aspen HYSYS軟件建立了與某煉油廠有限實際生產(chǎn)數(shù)據(jù)相吻合的連續(xù)催化重整裝置的機理模型�？紤]多種生產(chǎn)可能性,擴展數(shù)據(jù)范圍得到完整的裝置產(chǎn)品預測數(shù)據(jù)集;與常用的BP神經(jīng)網(wǎng)絡作對比,采用訓練速度快、預測精度高、適合非線性過程建模的LightGBM決策樹模型,以該催化重整裝置的4個反應器的溫度和循環(huán)氫流量為特征變量,分別以戊烷、二甲苯、C₆、重整汽油、氫氣的流量和氫氣純度為目標建立了6個單目標數(shù)據(jù)驅(qū)動產(chǎn)品預測模型。通過對特征變量和目標之間的相關性分析,進行10折交叉驗證,得到了特性變量的重要度排序,從而針對不同生產(chǎn)目標找出影響最大的操作變量。結(jié)果表明,使用LightGBM建立模型的預測準確度比BP神經(jīng)網(wǎng)絡的預測準確度有大幅度提升。

【文章頁數(shù)】：11 頁

【文章目錄】：
1 基于Aspen HYSYS的催化重整裝置模型及裝置產(chǎn)品預測數(shù)據(jù)集的構(gòu)建
    1.1 基于Aspen HYSYS的催化重整裝置建模
    1.2 催化重整裝置產(chǎn)品預測數(shù)據(jù)集的構(gòu)建
2 基于LightGBM的催化重整裝置數(shù)據(jù)驅(qū)動建模
    2.1 基于LightGBM的模型訓練及參數(shù)設置
    2.2 基于LightGBM對催化重整裝置進行產(chǎn)品預測建模
    2.3 基于LightGBM和BP神經(jīng)網(wǎng)絡模型的產(chǎn)品預測結(jié)果
3 基于LightGBM模型中特征變量與目標變量的相關性分析
    3.1 基于LightGBM模型相關性分析原理
    3.2 基于LightGBM模型的操作優(yōu)化相關性分析
4 結(jié) 論



本文編號：3778802