CN111312338A - 一种芳烃异构化生产环节的产物预测方法和*** - Google Patents

一种芳烃异构化生产环节的产物预测方法和*** Download PDF

Info

Publication number
CN111312338A
CN111312338A CN202010084365.2A CN202010084365A CN111312338A CN 111312338 A CN111312338 A CN 111312338A CN 202010084365 A CN202010084365 A CN 202010084365A CN 111312338 A CN111312338 A CN 111312338A
Authority
CN
China
Prior art keywords
model
isomerization
initial
product
yield
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010084365.2A
Other languages
English (en)
Inventor
杜文莉
杨明磊
钟伟民
钱锋
李智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China University of Science and Technology
Original Assignee
East China University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China University of Science and Technology filed Critical East China University of Science and Technology
Priority to CN202010084365.2A priority Critical patent/CN111312338A/zh
Publication of CN111312338A publication Critical patent/CN111312338A/zh
Priority to US17/631,080 priority patent/US20220301661A1/en
Priority to PCT/CN2020/133337 priority patent/WO2021159822A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physics & Mathematics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了芳烃异构化生产环节的产物预测方法和***，通过对芳烃异构化过程的完整描述建立代理模型，正确预测产物收率随进料及操作参数的变化情况，保证产品质量和生产过程的运行。其技术方案为：接收操作条件作为代理模型的输入变量，产物产率作为输出变量，生成若干个初始样本点并通过机理模型得到所有初始样本；根据初始样本点及其实际输出响应值建立RBF模型；利用PSO算法寻找最邻近期望差和稀疏度乘积最大的采样点，并利用机理模型计算该采样点在RBF模型上的输出响应值，将其加入样本点中，重新构建代理模型；重复上一步，在达到采样点个数上限后停止，得到最终的RBF模型；通过RBF模型对芳烃异构化产物产率进行预测。

Description

一种芳烃异构化生产环节的产物预测方法和***
技术领域
本发明涉及芳烃异构化生产环节中实现关键产物产率(例如浓度信息)的预测技术，具体涉及使用基于机理模型的代理模型建模来描述原有工业过程，对芳烃异构化生产过程中的关键性能指标(例如关键产物的浓度信息)进行预测的技术。
背景技术
芳烃的大规模工业化生产是通过现代化芳烃联合装置实现的，其加工流程相当复杂，并且伴有芳烃间的相互转化过程。其中C8芳烃异构化反应和甲苯歧化与C8芳烃烷基转移过程是芳烃联合装置中重要的两个芳烃转化工艺。其中异构化反应的目的是将异构体邻二甲苯(OX)、间二甲苯(MX)和乙苯(EB)转化为价值更高的对二甲苯(PX)。
二甲苯异构化过程主要由反应器和分离***组成。其工艺流程如图1所示，首先是反应器1，其主要功能就是在催化剂作用下进行异构化反应，将贫PX的C8芳烃混合物转化成接近热力学平衡的C8芳烃混合物。其次是分离***，反应产物在进行分离前需要通过分离塔5实现气液的分离，循环氢气经过压缩机4与C8A以及补充氢气混合进入热交换机3，反应液与氢气通过加热炉2混合，进入反应器1。分离塔5分离出的液体进入脱轻组分精馏塔6，通过回流槽7提升产物产率，部分轻组分进入循环塔8，液化气从回流槽9产出，塔底的重芳烃可以循环利用。
异构化环节主要发生的反应包括二甲苯和乙苯异构化，同时产生歧化、脱烷基、加氢裂化等副反应。其中副产物包含二甲苯歧化反应生成的苯与三甲苯。乙苯与二甲苯间的烷基转移反应会生出更多的副产物，包括甲苯、甲基乙基苯和二甲基乙基苯等。正常的操作情况下，异构化过程几乎不会发生脱院基反应，但是当反应温度到达一定的条件，乙苯就会脱烷基变成苯，降低C8芳烃收率。此外，异构化反应是以环烷烃作为反应中间体进行，在临氢的条件下，少量环烷烃中间体与氢气发生开环裂解反应生成长短不一的直链烷烃，影响C8芳烃收率和PX异构化率。
在实际生产过程中，异构化反应的温度、压力、进料流量等参数受上下游的影响都会发生间歇或者周期性的波动，其中部分参数对产品质量、收率和能耗等比较敏感，操作不当很容易对异构化过程运行效率造成较大的影响。传统的机理模型在预测产率和优化计算时具有较高的准确率，但由于模型结构复杂，效率较低，难以满足装置实时性需求。因此，需要建立能正确描述整个工艺特性，且计算效率高的代理模型，支撑芳烃异构化工业过程仿真模拟和操作优化。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
本发明的目的在于解决上述问题，提供了一种芳烃异构化生产环节的产物预测方法和***，通过对芳烃异构化过程的完整描述建立代理模型，基于代理模型正确预测产物收率随进料及操作参数的变化情况，从而保证产品质量和生产过程的稳定运行。
本发明的技术方案为：本发明揭示了一种芳烃异构化生产环节的产物预测方法，方法包括：
步骤1：接收选定的芳烃异构化生产环节的操作条件作为代理模型的输入变量，接收选定的芳烃异构化生产环节的产物的产率作为代理模型的输出变量，设定输入变量的上下限范围并生成若干个初始样本点构成初始样本集，通过机理模型得到所有初始样本；
步骤2：根据初始样本点以及初始样本点的实际输出响应值，建立径向基神经网络代理模型；
步骤3：利用粒子群优化算法寻找最邻近期望差和稀疏度乘积最大的采样点，并利用机理模型计算该采样点在径向基神经网络代理模型上的输出响应值，将该采样点以及输出响应值加入样本点中，重新构建代理模型；
步骤4：重复步骤3，使得代理模型精度不断上升，达到采样点个数上限后停止，得到最终的径向基神经网络代理模型；
步骤5：通过建立的径向基神经网络代理模型实现对芳烃异构化生产过程的模拟，对芳烃异构化产物产率进行预测。
根据本发明的芳烃异构化生产环节的产物预测方法的一实施例，作为代理模型的输入变量的芳烃异构化生产环节的操作条件包括：异构化进料、循环氢、补充氢、异构化反应温度、异构化反应压力、乙苯含量、MX含量和OX含量；输出变量选择异构化环节的产物产率包括：尾氢收率、干气收率、轻烃收率和混合C8收率。
根据本发明的芳烃异构化生产环节的产物预测方法的一实施例，步骤1中的初始样本点是在各输入变量上下限范围内利用拉丁超立方采样生成，用于测试的样本集也是在搜索空间中利用拉丁超立方采样生成。
根据本发明的芳烃异构化生产环节的产物预测方法的一实施例，步骤2中的初始样本点在建立径向基神经网络代理模型之前先进行归一化操作，再使用Cubic径向基函数根据该些初始样本点建立初始的径向基神经网络代理模型。
根据本发明的芳烃异构化生产环节的产物预测方法的一实施例，初始样本点的实际输出响应值是通过将初始样本点代入Hysys机理模型中得到的。
根据本发明的芳烃异构化生产环节的产物预测方法的一实施例，利用步骤3的粒子群优化算法找到新的采样点
Figure BDA0002381509740000031
其中Sparsity(x)表示采样点x的稀疏度，NED(x)表示最邻近期望差，R表示样本空间，最大化两者乘积得到不确定性最高的样本点xnew。
本发明还揭示了一种芳烃异构化生产环节的产物预测***，***包括：
样本生成模块，接收选定的芳烃异构化生产环节的操作条件作为代理模型的输入变量，接收选定的芳烃异构化生产环节的产物的产率作为代理模型的输出变量，设定输入变量的上下限范围并生成若干个初始样本点构成初始样本集，通过机理模型得到所有初始样本；
代理模型初始建立模块，根据初始样本点以及初始样本点的实际输出响应值，建立径向基神经网络代理模型；
代理模型重构模块，利用粒子群优化算法寻找最邻近期望差和稀疏度乘积最大的采样点，并利用机理模型计算该采样点在径向基神经网络代理模型上的输出响应值，将该采样点以及输出响应值加入样本点中，重新构建代理模型；
代理模型最终建立模块，重复代理模型重构模块的处理，使得代理模型精度不断上升，达到采样点个数上限后停止，得到最终的径向基神经网络代理模型；
模型预测模块，通过建立的径向基神经网络代理模型实现对芳烃异构化生产过程的模拟，对芳烃异构化产物产率进行预测。
根据本发明的芳烃异构化生产环节的产物预测***的一实施例，样本生成模块中作为代理模型的输入变量的芳烃异构化生产环节的操作条件包括：异构化进料、循环氢、补充氢、异构化反应温度、异构化反应压力、乙苯含量、MX含量和OX含量；输出变量选择异构化环节的产物产率包括：尾氢收率、干气收率、轻烃收率和混合C8收率。
根据本发明的芳烃异构化生产环节的产物预测***的一实施例，样本生成模块中的初始样本点是在各输入变量上下限范围内利用拉丁超立方采样生成，用于测试的样本集也是在搜索空间中利用拉丁超立方采样生成。
根据本发明的芳烃异构化生产环节的产物预测***的一实施例，代理模型初始建立模块中的初始样本点在建立径向基神经网络代理模型之前先进行归一化操作，再使用Cubic径向基函数根据该些初始样本点建立初始的径向基神经网络代理模型。
根据本发明的芳烃异构化生产环节的产物预测***的一实施例，初始样本点的实际输出响应值是通过将初始样本点代入Hysys机理模型中得到的。
根据本发明的芳烃异构化生产环节的产物预测***的一实施例，代理模型重构模块中利用粒子群优化算法找到新的采样点
Figure BDA0002381509740000051
其中Sparsity(x)表示采样点x的稀疏度，NED(x)表示最邻近期望差，R表示样本空间，最大化两者乘积得到不确定性最高的样本点xnew。
本发明对比现有技术的有益效果如下：
1.利用代理模型构建芳烃异构化模型，同样的输入变量，可以在极短时间内得到对应的各关键性能指标的输出，计算效率远大于传统的机理模型。
2.由于计算时间大幅度缩小，有利于实时预测以及对操作变量的敏捷优化。
3.通过寻找稀疏度和最邻近期望差的乘积最大的点可以找到芳烃异构化模型中变化幅度最大同时也是不确定性最大的区域，这样代理模型在每次增加新采样点后都能大幅提升准确度，使得最终的代理模型精度达到替代原始机理模型的目的。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1示出了芳烃异构化生产环节的流程示意图。
图2示出了本发明的芳烃异构化生产环节的产物预测方法的一实施例的流程图。
图3示出了本发明的芳烃异构化生产环节的产物预测***的一实施例的原理图。
图4a至4d示出了芳烃异构化代理模型各收率RMSE变化曲线的示意图。
图5a至5d示出了芳烃异构化代理模型各收率预测结果的示意图。
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
本发明的原理是：通过对芳烃异构化环节的机理模型建立代理模型，利用自适应采样，使得所构建的代理模型精确度不断提高，最终用于实时预测与优化。
芳烃异构化工艺流程见图1，异构化单元包括反应***、分离***和氢气循环***。主要包括加热炉2、热交换器3、反应器1、分离塔5、精馏塔6、氢气压缩机4、回流槽7和9、循环塔8等设备。来自吸附分离装置的抽余液与循环氢和补充氢混合后，经热交换器3进入加热炉2，加热至反应温度进入反应器1内，在催化剂上进行异构化反应。反应产物进入分离塔5进行气液分离。排出的大部分氢气经压缩机4送回反应器1循环使用，而液体物料进入脱轻组分精馏塔6，脱除产品中的轻组分，通过回流槽7提升产物产率，部分轻组分进入循环塔8，液化气从回流槽9产出，循环塔8塔底的重芳烃可以循环利用。
图2示出了本发明的芳烃异构化生产环节的产物预测方法的一实施例的流程。请参见图2，下面是对本实施例的实施步骤的详细描述。
步骤1：接收选定的芳烃异构化生产环节的操作条件作为代理模型的输入变量，接收选定的芳烃异构化生产环节的产物的产率作为代理模型的输出变量，设定输入变量的上下限范围，随机生成若干个初始样本点构成初始样本集，通过机理模型得到所有初始样本点的实际输出响应值，同时随机生成测试样本集用于代理模型的精度验证。
在此步骤中，通常是选取芳烃异构化生产环节中对反应过程和产物有较大影响的操作条件作为代理模型的输入变量，包括：异构化进料、循环氢、补充氢、异构化反应温度、异构化反应压力、乙苯含量、MX含量和OX含量。选取芳烃异构化生产环节的产物产率作为代理模型的输出变量，包括：尾氢收率、干气收率、轻烃收率和混合C8收率。
在一个示例中，选取芳烃异构化生产环节的包括异构化进料、循环氢、补充氢、异构化反应温度、异构化反应压力、乙苯含量、MX含量和OX含量在内的8个操作条件作为代理模型的输入变量，再设置这10个输入变量的上下限
Figure BDA0002381509740000071
利用拉丁超立方采样获得20个初始样本，X＝[x1,x2,...,xn,]T，其中
Figure BDA0002381509740000072
n表示样本点个数，d表示变量维数，本示例中n＝20，d＝8。利用Hysys机理模型获得这20个初始样本的产物产率的实际输出响应值(即，将初始样本代入到Hysys机理模型中得到其实际输出响应值)，这20个初始样本构成了初始样本集。用同样的方法再获得100个测试样本集用于检测最终代理模型的精确度。
将这20个初始样本逐个归一化，以消除样本维度对计算的影响：
Figure BDA0002381509740000073
Figure BDA0002381509740000074
表示第i个样本第j维归一化之后的结果，
Figure BDA0002381509740000075
表示第j维的上限，
Figure BDA0002381509740000076
表示第j维的下限，
Figure BDA0002381509740000077
表示第i个样本第j维。利用Hysys模型和初始样本得到产物产率的实际输出响应值[y1,y2,...,yn]，这样的到了初始训练样本集。
步骤2：根据初始样本点以及初始样本点的实际输出响应值，建立径向基神经网络(RBF)代理模型。
继续上述的示例，
建立初始代理模型。RBF模型的表达式如下所示：
Figure BDA0002381509740000078
其中||.||表示欧几里得范数，λ1,λ2,....,λn∈R表示权系数，φ是径向基函数，ri＝||x-xi||是待测点x和采样点xi之间的欧氏距离，
Figure BDA0002381509740000081
n表示样本点个数，d表示变量维数，p(x)是一个多项式，其形式可表示为xb+a，b＝[b1,b2,...,bn]T。一般比较常见的径向基函数φ如下面的表1所示，此处使用Cubic径向基函数。
表1常用RBF径向基函数
Figure BDA0002381509740000082
所需的参数由下面的公式计算得出：
Figure BDA0002381509740000083
其中
Figure BDA0002381509740000084
其中Φ是一个n×n矩阵，由Φi,j＝φ(||xi-xj||)填充，yi,i＝1,...,n表示采样点xi对应的真实响应值。矩阵
Figure BDA0002381509740000085
是满秩的，并且线性***只有一个唯一的解，因此能够获得唯一描述真实目标函数的径向基代理模型。
计算代理模型的均方根误差(RMSE)：
Figure BDA0002381509740000086
(4)式中，yi和
Figure BDA0002381509740000087
分别是第i个测试点处的真实响应值和代理模型响应值，N是测试点的数目。
步骤3：利用PSO算法寻找最邻近期望差和稀疏度乘积最大的采样点，并利用机理模型计算这个采样点在RBF代理模型上的输出响应值，将新采样点以及输出响应值加入样本点中，重新构建代理模型。
继续上述的示例，
本实施例中的稀疏度的定义如下：
已有采样点X＝[x1,x2,...,xn]T，n表示样本点个数,搜索空间的上下限为UP＝{up1,up2,...,upd}和DOWN＝{down1,down2,...,downd}。d表示维数,在搜索空间内的任意一点xnew的稀疏度定义如下：
Step1计算新采样点xnew与已有采样点X＝[x1,x2,...,xn]T的欧式距离diatance，并进行排序得到diatancesort。
Step2 X2＝[x1,x2,...,xn,xnew]T
Step3 for j＝1:D
对
Figure BDA0002381509740000091
从小到大进行排序得到
Figure BDA0002381509740000092
即对第i维的值从小到大进行排序，找到xnew,i所在位置pos。对距离diatance进行同样排序得到diatancesort。
if pos＝1
第i维稀疏度下限为采样空间下限
Figure BDA0002381509740000093
上限为第i维中，比xnew,i大的点中，距离xnew最近的点的第i维值，
Figure BDA0002381509740000094
其中
Figure BDA0002381509740000095
else if pos＝n+1
第i维稀疏度上限为采样空间上限
Figure BDA0002381509740000096
下限为第i维中，比xnew,i小的点中，距离xnew最近的点的第i维值，
Figure BDA0002381509740000097
其中
Figure BDA0002381509740000098
else
第i维稀疏度上限为第i维中，比xnew,i大的点中，距离xnew最近的点的第i维值
Figure BDA0002381509740000099
其中
Figure BDA00023815097400000910
下限为采样空间下限为比xnew,i小的点中，距离xnew最近的点的第i维值，
Figure BDA00023815097400000911
其中
Figure BDA00023815097400000912
end
Step 4最终得到xnew对应的稀疏度Sparsity(xnew)：
Figure BDA00023815097400000913
最邻近期望差NED(Nearest expected difference)定义如下：已有采样点X＝{x1,x2,...,xn}，对应的实际输出为Y＝{y1,y2,...,yn}，根据X和Y构建的代理模型为
Figure BDA0002381509740000101
xnew点的最临近期望差NED(xnew)为：
Figure BDA0002381509740000102
ynearest为距离X＝{x1,x2,...,xn}中距离xnew最近点的对应的真实响应值，
Figure BDA0002381509740000103
为xnew在代理模型上的响应值。NED(xnew)越大说明新采样点xnew附近的近似梯度较大，即函数波动较大，需要着重进行采样。
然后，根据稀疏度和最临近响应值差的乘积最大来寻找新采样点。
Figure BDA0002381509740000104
稀疏度Sparsity(x)负责控制全局搜索，最邻近期望差NED(x)负责局部关键信息搜索。R为采样空间定义域。使用PSO算法(粒子群优化算法，Particle SwarmOptimization)找到
Figure BDA0002381509740000105
其中PSO算法的迭代次数设置为100，种群大小设置为25。
最后，将得到的
Figure BDA0002381509740000106
反归一化：
Figure BDA0002381509740000107
Figure BDA0002381509740000108
表示
Figure BDA0002381509740000109
的第j维
Figure BDA00023815097400001010
反归一化之后的结果，
Figure BDA00023815097400001011
表示第j维的上限，
Figure BDA00023815097400001012
表示第j维的下限。利用Hysys模型，计算xnew对应的实际的各关键性能指标ynew。将xnew和ynew加入训练样本集中。
步骤4：不断重复步骤3，使得代理模型精度不断上升，达到采样点个数上限后停止，得到最终的RBF代理模型。
继续上述的示例，初始样本点个数为20，评估次数上限为180。分别对四个产物产率重复上述步骤建立四个RBF代理模型，四个RBF代理模型的RMSE随迭代次数变化结果如图4a至4d所示，可以看出整个模型的精确度随着采样点个数的增加不断上升，最终得到的RBF代理模型的误差在可接受范围之内，可以用来对产物进行准确预测。
步骤5：通过建立的RBF代理模型实现对芳烃异构化生产过程的模拟，对芳烃异构化产物产率进行预测。
继续上述的示例，最终模型在测试样本上的结果如图5a至5d所示，可以看出，代理模型对四个关键性能指标的预测都十分准确。
图3示出了本发明的芳烃异构化生产环节的产物预测***的一实施例的原理。请参见图3，本实施例的***包括：样本生成模块、代理模型初始建立模块、代理模型重构模块、代理模型最终建立模块、模型预测模块。
样本生成模块，接收选定的芳烃异构化生产环节的操作条件作为代理模型的输入变量，接收选定的芳烃异构化生产环节的产物的产率作为代理模型的输出变量，设定输入变量的上下限范围并生成若干个初始样本点构成初始样本集，通过机理模型得到所有初始样本。
样本生成模块中的初始样本点是在各输入变量上下限范围内利用拉丁超立方采样生成，用于测试的样本集也是在搜索空间中利用拉丁超立方采样生成。
样本生成模块中作为代理模型的输入变量的芳烃异构化生产环节的操作条件包括：异构化进料、循环氢、补充氢、异构化反应温度、异构化反应压力、乙苯含量、MX含量和OX含量；输出变量选择异构化环节的产物产率包括：尾氢收率、干气收率、轻烃收率和混合C8收率。
代理模型初始建立模块，根据初始样本点以及初始样本点的实际输出响应值，建立径向基神经网络代理模型。其中，初始样本点的实际输出响应值是通过将初始样本点代入Hysys机理模型中得到的。
代理模型初始建立模块中的初始样本点在建立径向基神经网络代理模型之前先进行归一化操作，再使用Cubic径向基函数根据该些初始样本点建立初始的径向基神经网络代理模型。
代理模型重构模块，利用粒子群优化算法寻找最邻近期望差和稀疏度乘积最大的采样点，并利用机理模型计算该采样点在径向基神经网络代理模型上的输出响应值，将该采样点以及输出响应值加入样本点中，重新构建代理模型。
其中，代理模型重构模块中利用粒子群优化算法找到新的采样点
Figure BDA0002381509740000121
其中Sparsity(x)表示采样点x的稀疏度，NED(x)表示最邻近期望差，最大化两者乘积得到不确定性最高的样本点xnew。
代理模型最终建立模块，重复代理模型重构模块的处理，使得代理模型精度不断上升，达到采样点个数上限后停止，得到最终的径向基神经网络代理模型。
模型预测模块，通过建立的径向基神经网络代理模型实现对芳烃异构化生产过程的模拟，对芳烃异构化产物产率进行预测。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

Claims (12)

1.一种芳烃异构化生产环节的产物预测方法，其特征在于，方法包括：
步骤1：接收选定的芳烃异构化生产环节的操作条件作为代理模型的输入变量，接收选定的芳烃异构化生产环节的产物的产率作为代理模型的输出变量，设定输入变量的上下限范围并生成若干个初始样本点构成初始样本集，通过机理模型得到所有初始样本；
步骤2：根据初始样本点以及初始样本点的实际输出响应值，建立径向基神经网络代理模型；
步骤3：利用粒子群优化算法寻找最邻近期望差和稀疏度乘积最大的采样点，并利用机理模型计算该采样点在径向基神经网络代理模型上的输出响应值，将该采样点以及输出响应值加入样本点中，重新构建代理模型；
步骤4：重复步骤3，使得代理模型精度不断上升，达到采样点个数上限后停止，得到最终的径向基神经网络代理模型；
步骤5：通过建立的径向基神经网络代理模型实现对芳烃异构化生产过程的模拟，对芳烃异构化产物产率进行预测。
2.根据权利要求1所述的芳烃异构化生产环节的产物预测方法，其特征在于，作为代理模型的输入变量的芳烃异构化生产环节的操作条件包括：异构化进料、循环氢、补充氢、异构化反应温度、异构化反应压力、乙苯含量、MX含量和OX含量；输出变量选择异构化环节的产物产率包括：尾氢收率、干气收率、轻烃收率和混合C8收率。
3.根据权利要求1所述的芳烃异构化生产环节的产物预测方法，其特征在于，步骤1中的初始样本点是在各输入变量上下限范围内利用拉丁超立方采样生成，用于测试的样本集也是在搜索空间中利用拉丁超立方采样生成。
4.根据权利要求1所述的芳烃异构化生产环节的产物预测方法，其特征在于，步骤2中的初始样本点在建立径向基神经网络代理模型之前先进行归一化操作，再使用Cubic径向基函数根据该些初始样本点建立初始的径向基神经网络代理模型。
5.根据权利要求1所述的芳烃异构化生产环节的产物预测方法，其特征在于，初始样本点的实际输出响应值是通过将初始样本点代入Hysys机理模型中得到的。
6.根据权利要求1所述的芳烃异构化生产环节的产物预测方法，其特征在于，利用步骤3的粒子群优化算法找到新的采样点
Figure FDA0002381509730000021
其中Sparsity(x)表示采样点x的稀疏度，NED(x)表示最邻近期望差，R表示样本空间，最大化两者乘积得到不确定性最高的样本点xnew。
7.一种芳烃异构化生产环节的产物预测***，其特征在于，***包括：
样本生成模块，接收选定的芳烃异构化生产环节的操作条件作为代理模型的输入变量，接收选定的芳烃异构化生产环节的产物的产率作为代理模型的输出变量，设定输入变量的上下限范围并生成若干个初始样本点构成初始样本集，通过机理模型得到所有初始样本；
代理模型初始建立模块，根据初始样本点以及初始样本点的实际输出响应值，建立径向基神经网络代理模型；
代理模型重构模块，利用粒子群优化算法寻找最邻近期望差和稀疏度乘积最大的采样点，并利用机理模型计算该采样点在径向基神经网络代理模型上的输出响应值，将该采样点以及输出响应值加入样本点中，重新构建代理模型；
代理模型最终建立模块，重复代理模型重构模块的处理，使得代理模型精度不断上升，达到采样点个数上限后停止，得到最终的径向基神经网络代理模型；
模型预测模块，通过建立的径向基神经网络代理模型实现对芳烃异构化生产过程的模拟，对芳烃异构化产物产率进行预测。
8.根据权利要求7所述的芳烃异构化生产环节的产物预测***，其特征在于，样本生成模块中作为代理模型的输入变量的芳烃异构化生产环节的操作条件包括：异构化进料、循环氢、补充氢、异构化反应温度、异构化反应压力、乙苯含量、MX含量和OX含量；输出变量选择异构化环节的产物产率包括：尾氢收率、干气收率、轻烃收率和混合C8收率。
9.根据权利要求7所述的芳烃异构化生产环节的产物预测***，其特征在于，样本生成模块中的初始样本点是在各输入变量上下限范围内利用拉丁超立方采样生成，用于测试的样本集也是在搜索空间中利用拉丁超立方采样生成。
10.根据权利要求7所述的芳烃异构化生产环节的产物预测***，其特征在于，代理模型初始建立模块中的初始样本点在建立径向基神经网络代理模型之前先进行归一化操作，再使用Cubic径向基函数根据该些初始样本点建立初始的径向基神经网络代理模型。
11.根据权利要求7所述的芳烃异构化生产环节的产物预测***，其特征在于，初始样本点的实际输出响应值是通过将初始样本点代入Hysys机理模型中得到的。
12.根据权利要求7所述的芳烃异构化生产环节的产物预测***，其特征在于，代理模型重构模块中利用粒子群优化算法找到新的采样点
Figure FDA0002381509730000031
其中Sparsity(x)表示采样点x的稀疏度，NED(x)表示最邻近期望差，R表示样本空间，最大化两者乘积得到不确定性最高的样本点xnew。
CN202010084365.2A 2020-02-10 2020-02-10 一种芳烃异构化生产环节的产物预测方法和*** Pending CN111312338A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010084365.2A CN111312338A (zh) 2020-02-10 2020-02-10 一种芳烃异构化生产环节的产物预测方法和***
US17/631,080 US20220301661A1 (en) 2020-02-10 2020-12-02 Method and system for predicting product of aromatic hydrocarbon isomerization production process
PCT/CN2020/133337 WO2021159822A1 (zh) 2020-02-10 2020-12-02 一种芳烃异构化生产环节的产物预测方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010084365.2A CN111312338A (zh) 2020-02-10 2020-02-10 一种芳烃异构化生产环节的产物预测方法和***

Publications (1)

Publication Number Publication Date
CN111312338A true CN111312338A (zh) 2020-06-19

Family

ID=71146875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010084365.2A Pending CN111312338A (zh) 2020-02-10 2020-02-10 一种芳烃异构化生产环节的产物预测方法和***

Country Status (3)

Country Link
US (1) US20220301661A1 (zh)
CN (1) CN111312338A (zh)
WO (1) WO2021159822A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021159822A1 (zh) * 2020-02-10 2021-08-19 华东理工大学 一种芳烃异构化生产环节的产物预测方法和***
CN114741772A (zh) * 2022-05-09 2022-07-12 北京化工大学 一种基于启发式算法解决隔离壁精馏塔设计问题的方法
CN114974450A (zh) * 2022-06-28 2022-08-30 苏州沃时数字科技有限公司 基于机器学习与自动化试验装置的操作步骤的生成方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116798534B (zh) * 2023-08-28 2023-11-07 山东鲁扬新材料科技有限公司 一种醋酸丙酸精馏过程数据采集处理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844659A (zh) * 2017-11-16 2018-03-27 华东理工大学 水煤浆气化过程的代理模型建模方法
WO2020000248A1 (zh) * 2018-06-27 2020-01-02 大连理工大学 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4828719B2 (ja) * 2001-04-27 2011-11-30 一般財団法人石油エネルギー技術センター 石油コンビナートの運転条件の推定方法
CN1226249C (zh) * 2002-12-23 2005-11-09 扬子石油化工股份有限公司 二甲苯异构化反应器操作条件优化的方法
CN104361393B (zh) * 2014-09-06 2018-02-27 华北电力大学 基于粒子群优化算法改进的神经网络模型用于数据预测方法
CN111312338A (zh) * 2020-02-10 2020-06-19 华东理工大学 一种芳烃异构化生产环节的产物预测方法和***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844659A (zh) * 2017-11-16 2018-03-27 华东理工大学 水煤浆气化过程的代理模型建模方法
WO2020000248A1 (zh) * 2018-06-27 2020-01-02 大连理工大学 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
张德虎等: "代理模型选样准则研究", 《空气动力学学报》 *
张德虎等: "代理模型选样准则研究", 《空气动力学学报》, no. 06, 15 December 2011 (2011-12-15) *
谢雨珩等: "基于自适应采样算法的芳烃异构化代理模型", 《化工学报》 *
谢雨珩等: "基于自适应采样算法的芳烃异构化代理模型", 《化工学报》, no. 02, 19 August 2019 (2019-08-19), pages 2 - 7 *
谢雨珩等: "基于自适应采样算法的芳烃异构化代理模型", 化工学报, pages 5 - 15 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021159822A1 (zh) * 2020-02-10 2021-08-19 华东理工大学 一种芳烃异构化生产环节的产物预测方法和***
CN114741772A (zh) * 2022-05-09 2022-07-12 北京化工大学 一种基于启发式算法解决隔离壁精馏塔设计问题的方法
CN114974450A (zh) * 2022-06-28 2022-08-30 苏州沃时数字科技有限公司 基于机器学习与自动化试验装置的操作步骤的生成方法

Also Published As

Publication number Publication date
US20220301661A1 (en) 2022-09-22
WO2021159822A1 (zh) 2021-08-19

Similar Documents

Publication Publication Date Title
WO2021159822A1 (zh) 一种芳烃异构化生产环节的产物预测方法和***
Meyer et al. Follow-up designs to resolve confounding in multifactor experiments
Zhou et al. A hybrid differential evolution algorithm with estimation of distribution algorithm for reentrant hybrid flow shop scheduling problem
Carballido et al. CGD-GA: A graph-based genetic algorithm for sensor network design
Sun et al. Gibbon: Efficient co-exploration of NN model and processing-in-memory architecture
Zhang et al. A novel approach for parallel disassembly design based on a hybrid fuzzy-time model
CN111914382B (zh) 一种基于代理模型的常减压装置的约束进化优化方法
Corrochano et al. A predictive physics-aware hybrid reduced order model for reacting flows
Zhang et al. A bayesian discrete optimization algorithm for permutation based combinatorial problems
Chen et al. Differential evolution: method, developments and chemical engineering applications
CN116151303A (zh) 一种预测多任务多目标优化问题中最佳迁移时机的方法
Lin et al. A two-level optimization framework for cyclic scheduling of ethylene cracking furnace system
CN111292811B (zh) 一种芳烃歧化生产环节的产物预测方法和***
Yang et al. Prediction and optimization model of activated carbon double layer capacitors based on improved heuristic approach genetic algorithm neural network
Dépincé et al. Multidisciplinary and multiobjective optimization: Comparison of several methods
Dehghanian et al. A multiobjective approach in constructing a predictive model for Fischer‐Tropsch synthesis
Tamura et al. Ranking Pareto optimal solutions based on projection free energy
Yoshimura et al. Hierarchical parallel processes of genetic algorithms for design optimization of large-scale products
Ugi et al. Molecular logic and computer assistance in chemistry
Alberty et al. Analytic expressions for the equilibrium distributions of isomer groups in homologous series
Dai et al. Data mining-based model simplification and optimization of an electrical power generation system
Ren et al. Direct prediction of steam cracking products from naphtha bulk properties: Application of the two sub-networks ANN
Oonsivilai et al. Differential evolution application in temperature profile of fermenting process
Roosen et al. Optimization strategies and their application to heat exchanger network synthesis
CN112825103B (zh) 气化工艺的反向设计装置及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination