以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的MIP工藝過程產(chǎn)品分布優(yōu)化

歐陽福生，方偉剛，唐嘉瑞，江洪波

(華東理工大學(xué)石油加工研究所，上海 200237)

以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的MIP工藝過程產(chǎn)品分布優(yōu)化

歐陽福生，方偉剛，唐嘉瑞，江洪波

(華東理工大學(xué)石油加工研究所，上海 200237)

催化裂化是一個高度非線性和強耦合的系統(tǒng)，傳統(tǒng)的機理模型很難描述，而BP神經(jīng)網(wǎng)絡(luò)具有強大的非線性擬合和自學(xué)習(xí)能力。以某煉油廠1.0 Mt/a的MIP裝置反應(yīng)-再生系統(tǒng)為研究對象，選取包括原料油性質(zhì)、再生劑性質(zhì)、操作條件的19個變量為神經(jīng)網(wǎng)絡(luò)模型的輸入變量，液化氣、汽油、柴油、焦炭收率為輸出變量，建立了19-24-4結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)。在此基礎(chǔ)上，考察了原料油預(yù)熱溫度、第一反應(yīng)區(qū)出口溫度、第二反應(yīng)區(qū)出口溫度、反應(yīng)壓力對產(chǎn)品分布的影響，并采用遺傳算法得到使汽油收率最優(yōu)的操作條件。結(jié)果表明，所建立的模型具有良好的預(yù)測和外推能力，可為工業(yè)裝置操作條件的優(yōu)化提供指導(dǎo)。

催化裂化 MIP工藝 BP神經(jīng)網(wǎng)絡(luò) 遺傳算法

催化裂化是重油輕質(zhì)化的主要工藝，該工藝在高溫和催化劑的作用下將蠟油和重油轉(zhuǎn)化成液化氣、汽油、柴油等輕質(zhì)油品。我國催化裂化裝置所生產(chǎn)的汽油和柴油分別占成品汽油和柴油總量的70%和30%左右，所生產(chǎn)的丙烯約占丙烯總量的40%[1]。近年來，為了解決汽油烯烴含量偏高的問題，國內(nèi)外開發(fā)了一系列的催化裂化工藝[2]，MIP工藝就是非常有代表性的工藝之一，它廣泛用于清潔汽油的生產(chǎn)。

從20世紀60年代開始，國內(nèi)外就通過建立催化裂化機理模型來指導(dǎo)和優(yōu)化生產(chǎn)操作。然而，由于工業(yè)催化裂化裝置反應(yīng)-再生系統(tǒng)中各操作變量具有極強的非線性和耦合性，很難獲得精確的機理模型[3]。人工神經(jīng)網(wǎng)絡(luò)是模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種黑箱模型，自1982年Hopfield教授將能量函數(shù)的概念引入人工神經(jīng)網(wǎng)絡(luò)并提出了Hopfield人工神經(jīng)網(wǎng)絡(luò)模型后[4]，三十多年來神經(jīng)網(wǎng)絡(luò)得到了快速的發(fā)展。神經(jīng)網(wǎng)絡(luò)具有強大的自適應(yīng)、自組織、自學(xué)習(xí)和非線性擬合能力，并且神經(jīng)網(wǎng)絡(luò)的建立無需提前掌握物理或化學(xué)的過程機理，因此它在化工領(lǐng)域，尤其是在一些復(fù)雜過程中得到了廣泛的應(yīng)用[5-6]，其中BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆向傳播的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。本課題以某煉油廠1.0 Mt/a的MIP裝置反應(yīng)-再生系統(tǒng)為研究對象，選取包括原料油性質(zhì)、再生劑性質(zhì)、操作條件的19個變量為神經(jīng)網(wǎng)絡(luò)模型的輸入變量，液化氣、汽油、柴油、焦炭收率為輸出變量，建立19-24-4結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，在此基礎(chǔ)上考察原料油預(yù)熱溫度、第一反應(yīng)區(qū)(一反)出口溫度、第二反應(yīng)區(qū)(二反)出口溫度、反應(yīng)壓力對產(chǎn)品分布的影響，并采用遺傳算法得到使汽油收率最優(yōu)的操作條件。

1 MIP工藝簡介

MIP工藝由中國石化石油化工科學(xué)研究院(石科院)開發(fā)，該工藝改進反應(yīng)器結(jié)構(gòu)，進行二次反應(yīng)，通過對裂化反應(yīng)、氫轉(zhuǎn)移反應(yīng)和異構(gòu)化反應(yīng)等進行控制與選擇，可降低催化裂化汽油的烯烴含量，并且能夠多產(chǎn)異構(gòu)烷烴，從而實現(xiàn)對催化裂化反應(yīng)產(chǎn)品分布的改善[7-10]。

MIP工藝的反應(yīng)提升管分為2個反應(yīng)區(qū)，其中，一反的反應(yīng)條件為高溫、高劑油比、短接觸時間，比普通的催化裂化反應(yīng)條件苛刻，此反應(yīng)區(qū)中重質(zhì)原料油快速裂化生成烯烴，可減少低辛烷值的正構(gòu)烷烴和環(huán)烷烴的生成；二反的提升管管徑和高度都大于一反，一反生成的烯烴在此反應(yīng)區(qū)進行反應(yīng)，而從反應(yīng)沉降器循環(huán)到二反的一部分熱再生催化劑與進入二反的冷卻介質(zhì)相互混合，可降低二反的反應(yīng)溫度，延長烯烴反應(yīng)時間，從而促進異構(gòu)烷烴和芳烴的生成，提高因烯烴減少而降低的汽油辛烷值。

2 數(shù)據(jù)收集

以國內(nèi)某煉油廠1.0 Mt/a MIP裝置的反應(yīng)-再生系統(tǒng)為研究對象，該裝置配備了LIMS系統(tǒng)(Laboratory Information Management System)和DCS系統(tǒng)(Digital Control System)。根據(jù)MIP工藝和現(xiàn)場數(shù)據(jù)靈敏度分析，決定采用LIMS系統(tǒng)的原料油密度(ρ)、飽和烴含量(wSH)、芳烴含量(wAH)、瀝青質(zhì)+膠質(zhì)含量(wAR)、鎳含量(wNi)、釩含量(wV)、殘?zhí)?CR)，再生劑的微反活性指數(shù)(AI)、碳含量(CC)，DCS操作系統(tǒng)的原料油預(yù)熱溫度(Tph)、一反出口溫度(Tr1)、二反出口溫度(Tr2)、燒焦罐溫度(Trg)、反應(yīng)壓力(Pr)、再生壓力(Prg)、新鮮原料量(Q1)、回?zé)捰土髁?Q2)、汽提蒸汽流量(Q3)、預(yù)提升蒸汽流量(Q4)為變量，考察它們對液化氣收率(LPG)、汽油收率(GS)、柴油收率(DI)和焦炭產(chǎn)率(CK)的影響。LIMS系統(tǒng)分析頻次為1次/周，共采集14組數(shù)據(jù)；DCS系統(tǒng)采集頻次約為10 s/次，將采集到的DCS數(shù)據(jù)處理成12 h均值，共得到160組數(shù)據(jù)。來自LIMS系統(tǒng)的原料和催化劑性質(zhì)數(shù)據(jù)見表1，來自DCS系統(tǒng)的反應(yīng)-再生操作條件及產(chǎn)品分布數(shù)據(jù)見表2。將160組DCS數(shù)據(jù)和14組LIMS數(shù)據(jù)按照時間組成160組樣本，隨機取128組作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，32組作為神經(jīng)網(wǎng)絡(luò)的驗證樣本。

表1 14組原料和催化劑的性質(zhì)數(shù)據(jù)

表2 來自DCS系統(tǒng)的反應(yīng)-再生操作條件及產(chǎn)品分布數(shù)據(jù)

3 BP神經(jīng)網(wǎng)絡(luò)模型的建立

3.1 BP神經(jīng)網(wǎng)絡(luò)

典型的BP神經(jīng)網(wǎng)絡(luò)包含3層：輸入層、隱含層、輸出層，每一層由若干神經(jīng)元(節(jié)點)組成，每一個神經(jīng)元的作用是計算該神經(jīng)元所有輸入的權(quán)重和，并通過特定的輸出函數(shù)-激勵函數(shù)輸出。激勵函數(shù)一般是非減和可微函數(shù)，最常用的激勵函數(shù)是S函數(shù)和線性函數(shù)，S函數(shù)方程式為：

(1)

S函數(shù)一般用于隱含層神經(jīng)元的激勵函數(shù)，它可以將神經(jīng)元的輸入范圍從(-∞，+∞)映射到(-1，+1)。線性函數(shù)方程式為：

f(x)=x

(2)

線性函數(shù)一般用于輸出層神經(jīng)元的激勵函數(shù)，它可以處理和逼近輸入與輸出的非線性關(guān)系。

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程是由信息的正向傳播和誤差的反向傳播兩個過程組成的。外界的輸入信息通過輸入層、隱含層和輸出層的計算后得到實際結(jié)果，當(dāng)實際結(jié)果和期望結(jié)果不符時，按誤差梯度下降的方式修正各層權(quán)值，并向隱含層和輸入層反向傳播。不斷反復(fù)的信息正向傳播和誤差反向傳播過程是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)不斷學(xué)習(xí)的過程，直到網(wǎng)絡(luò)輸出與實際輸出誤差達到精度以內(nèi)或者是網(wǎng)絡(luò)學(xué)習(xí)達到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止[11]。

3.2BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)

本研究的反應(yīng)-再生系統(tǒng)模型采用3層網(wǎng)絡(luò)結(jié)構(gòu)，輸入層的神經(jīng)元包括原料油和再生劑性質(zhì)數(shù)據(jù)以及反應(yīng)-再生系統(tǒng)操作變量，共19個，包括ρ，wSH，wAH，wAR，wNi，wV，CR，AI，CC，Tph，Tr1，Tr2，Trg，Pr，Prg，Q1，Q2，Q3，Q4；輸出層神經(jīng)元的個數(shù)為 4 個，包括 LPG，GS，DI，CK。神經(jīng)網(wǎng)絡(luò)最重要的任務(wù)是確定隱含層神經(jīng)元的個數(shù)，因為隱含層神經(jīng)元個數(shù)對BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度有較大的影響，神經(jīng)元個數(shù)太多時，訓(xùn)練時間增加，網(wǎng)絡(luò)容易過擬合；而節(jié)點數(shù)太少時，網(wǎng)絡(luò)不能很好地學(xué)習(xí)，需要增加訓(xùn)練次數(shù)。隱含層神經(jīng)元個數(shù)計算式為：

(3)

式中：H為隱含層神經(jīng)元個數(shù)；m為輸入層神經(jīng)元個數(shù)；n為輸出層神經(jīng)元個數(shù)；L為1～10之間的常數(shù)。

由于神經(jīng)網(wǎng)絡(luò)中的大量并行分布結(jié)構(gòu)和非線性動態(tài)特性，式(3)在實際計算時難以取得理想的效果。為了找到最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)，本研究將神經(jīng)元個數(shù)由10逐漸增加到30，選取不同的隱含層神經(jīng)元個數(shù)建立不同的神經(jīng)網(wǎng)絡(luò)，將所選擇的訓(xùn)練數(shù)據(jù)導(dǎo)入神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，然后檢驗?zāi)Ｐ?，并比較每次的均方誤差，結(jié)果見圖1。由圖1可知，最佳隱含層神經(jīng)元個數(shù)為24。因此，本研究建立19-24-4結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)。

3.3 BP神經(jīng)網(wǎng)絡(luò)的建模結(jié)果

32組模型驗證樣本的相對誤差統(tǒng)計見表3。由表3可知：液化氣、柴油收率和焦炭產(chǎn)率的相對誤差只有4組樣本大于10%，而小于5%的樣本占多數(shù)；汽油收率的相對誤差較小，除1組樣本大于5%外，其余樣本的相對誤差都在5%以內(nèi)；液化氣、汽油、柴油收率和焦炭產(chǎn)率的平均相對誤差都小于5%，說明所建立的神經(jīng)網(wǎng)絡(luò)模型的外推性較好。

表3 32組驗證樣本的相對誤差統(tǒng)計

4 模型的預(yù)測性能

采用本研究建立的神經(jīng)網(wǎng)絡(luò)模型，以第14組LIMS樣本數(shù)據(jù)為基礎(chǔ)，考察原料油預(yù)熱溫度、反應(yīng)溫度和反應(yīng)壓力對產(chǎn)品分布的影響；以第12、13和14組LIMS數(shù)據(jù)為基礎(chǔ)，使用遺傳算法對汽油收率進行優(yōu)化。

4.1 原料油預(yù)熱溫度對產(chǎn)品分布的影響

在一反出口溫度511 ℃、二反出口溫度503 ℃、反應(yīng)壓力214.8 kPa的條件下，考察原料油預(yù)熱溫度對產(chǎn)品分布的影響，結(jié)果見圖2。由圖2可以看出，隨著原料油預(yù)熱溫度的升高，汽油和柴油的收率略有提高，液化氣收率和焦炭產(chǎn)率略有下降。

圖2 提升管產(chǎn)品分布與原料油預(yù)熱溫度的關(guān)系

4.2 反應(yīng)溫度對產(chǎn)品分布的影響

在原料油預(yù)熱溫度252 ℃、反應(yīng)壓力214.8 kPa的條件下，考察一反出口溫度和二反出口溫度對產(chǎn)品分布的影響，結(jié)果見圖3和圖4。由圖3和圖4可以看出，隨著溫度的升高，柴油的收率明顯下降，汽油的收率先上升后下降、存在極大值，液化氣和焦炭的產(chǎn)率明顯上升，這與催化裂化反應(yīng)規(guī)律相符。因此，反應(yīng)溫度不宜過高或過低，應(yīng)盡量控制一個適宜的溫度以獲得較高的汽油收率并盡量減少氣體和焦炭產(chǎn)率。

圖3 提升管產(chǎn)品分布與一反出口溫度的關(guān)系

圖4 提升管產(chǎn)品分布與二反出口溫度的關(guān)系

4.3 反應(yīng)壓力對產(chǎn)品分布的影響

在原料油預(yù)熱溫度252 ℃、一反出口溫度511 ℃、二反出口溫度503 ℃的條件下，考察反應(yīng)壓力對產(chǎn)品分布的影響，結(jié)果見圖5。由圖5可以看出，隨著反應(yīng)壓力的提高，柴油收率略有下降，液化氣、汽油和焦炭的產(chǎn)率略有上升。因此提高反應(yīng)壓力有利于優(yōu)化產(chǎn)品分布，但是反應(yīng)壓力的調(diào)整應(yīng)考慮反應(yīng)-再生系統(tǒng)的壓力平衡。

圖5 提升管產(chǎn)品分布與反應(yīng)壓力的關(guān)系

4.4 采用遺傳算法優(yōu)化反應(yīng)-再生系統(tǒng)的操作條件

遺傳算法(Genetic Algorithm，GA)是模擬自然界生物進化機制的一種算法，即遵循適者生存，優(yōu)勝劣汰的法則[12]。它的特點是對參數(shù)進行編碼運算，不需要任何先驗知識，可以沿著多種路徑進行平行搜索，不會陷入局部較優(yōu)，能夠找到全局最優(yōu)點[13]。遺傳算法的實施步驟分為種群初始化、適應(yīng)度函數(shù)選取、選擇操作、交叉操作和變異[14]。該方法首先隨機地產(chǎn)生一些個體組成初始化種群，即問題的一群候選解，再根據(jù)個體適應(yīng)度進行選擇操作，淘汰適應(yīng)度低的個體，留下適應(yīng)度高的個體，然后進行交叉操作和變異操作并產(chǎn)生進化了的一代群體。如此反復(fù)操作，向更優(yōu)解方向進化，最后得到滿足某種收斂條件的最適應(yīng)問題環(huán)境的群體，從而獲得問題的最優(yōu)解。以BP神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)，采用遺傳算法優(yōu)化反應(yīng)-再生系統(tǒng)的操作條件，以提高汽油收率。

在汽油收率尋優(yōu)過程中，采用50個初始種群，并設(shè)定迭代次數(shù)為100。在計算極值的過程中把訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果作為個體適應(yīng)度值，計算式如下：

Fi=ygi

(4)

式中：Fi為個體i的適應(yīng)度值；ygi為個體i汽油收率的神經(jīng)網(wǎng)絡(luò)預(yù)測值。

采用輪盤賭法選擇個體，它是選擇適應(yīng)度所占比例較大的個體進入下一代，計算式如下：

fi=k/Fi

(5)

(6)

式中：k為系數(shù)；N為種群數(shù)目。

交叉操作是產(chǎn)生新個體的主要方式，但是隨機選擇個體交叉操作會導(dǎo)致有效基因的缺失[15]，交叉概率一般在0.6～0.9之間，本研究交叉概率采用0.6；變異操作可以為種群提供新的基因，變異概率通常較小，一般在0～0.1之間，本研究變異概率采用0.05。

以第12、13和14組LIMS樣本數(shù)據(jù)為基礎(chǔ)，即保持原料性質(zhì)、再生劑性質(zhì)不變，同時保持新鮮原料量不變，尋找使汽油收率最優(yōu)的操作條件。然而，如果只是單純使用遺傳算法尋優(yōu)，其最終結(jié)果可能與反應(yīng)機理不符，因此在尋優(yōu)過程中加入約束條件，剔除違背操作或者違背原理的數(shù)據(jù)。本研究的約束條件為：

Tr1>Tr2

(7)

即保證尋優(yōu)過程中一反出口溫度大于二反出口溫度。操作條件的尋優(yōu)上下限以及優(yōu)化結(jié)果見表4。從表4可以看出，以第12、13和14組LIMS樣本數(shù)據(jù)為基礎(chǔ)，通過對9個操作條件進行優(yōu)化，汽油收率均有提高的空間。

表4 操作條件的優(yōu)化結(jié)果

5 結(jié) 論

(1) 以工業(yè)數(shù)據(jù)為基礎(chǔ)，在深入分析催化裂化MIP工藝的前提下，選取了包括原料油性質(zhì)、再生劑性質(zhì)和操作條件的19個變量，建立了19-24-4結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型，結(jié)果表明，預(yù)測值和實際值擬合良好，說明所建立的神經(jīng)網(wǎng)絡(luò)模型可靠性較高。

(2) 以神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)，采用遺傳算法進行優(yōu)化，可獲得較優(yōu)的汽油收率下的反應(yīng)-再生系統(tǒng)操作條件。

[1] 許友好.我國催化裂化工藝技術(shù)進展[J].中國科學(xué)，2014，44(1)：13-24

[2] 許友好.催化裂化化學(xué)與工藝[M].北京：科學(xué)出版社，2013：22-31

[3] Michalopoulos J，Papadokonstadakis S，Arampatzis G，et al.Modelling of an industrial fluid catalytic cracking unit using neural networks[J].Chemical Engineering Research and Design，2001，79(2)：137-142

[4] Hopfield J J.Neural networks and physical systems with emergent collective computational abilities[J].Proceedings of the National Academy of Sciences，1982，79(8)：2554-2558

[5] Zendehboudi S，Ahmadi M A，James L，et al.Prediction of condensate-to-gas ratio for retrograde gas condensate reservoirs using artificial neural network with particle swarm optimization[J].Energy & Fuels，2012，26(6)：3432-3447

[6] Zamaniyan A，Joda F，Behroozsarand A，et al.Application of artificial neural networks (ANN) for modeling of industrial hydrogen plant[J].International Journal of Hydrogen Energy，2013，38(15)：6289-6297

[7] 許友好，張久順，龍軍，等.多產(chǎn)異構(gòu)烷烴的催化裂化工業(yè)技術(shù)開發(fā)與應(yīng)用[J].中國工程科學(xué)，2003，5(5)：55-58

[8] Tang Jinlian,Gong Jianhong,Xu Youhao.Flexibility of MIP technology[J].China Petroleum Processing and Petrochemical Technology,2015,17(3):39-43

[9] 唐津蓮，崔守業(yè)，程從禮.MIP技術(shù)在提高液體產(chǎn)品收率上的先進性分析[J].石油煉制與化工,2015,46(4):29-32

[10]曾宿主，解增忠，許友好.生產(chǎn)滿足國Ⅴ排放標準汽油的技術(shù)路線及其效益分析[J].石油煉制與化工,2015,46(8):7-11

[11]史忠植.神經(jīng)網(wǎng)絡(luò)[M].北京：高等教育出版社，2009：48-56

[12]邊霞，米良.遺傳算法理論及其應(yīng)用研究進展[J].計算機應(yīng)用研究，2010，27(7)：2425-2429

[13]梁昔明，秦浩宇，龍文.一種求解約束優(yōu)化問題的遺傳算法[J].計算機工程，2010，36(14)：147-149

[14]李敏強.遺傳算法的基本理論與應(yīng)用[M].北京：科學(xué)出版社，2002：26-44

[15]章權(quán)，周偉，溫慧英，等.經(jīng)營性高速公路停止收費后運營成本預(yù)測模型[J].長安大學(xué)學(xué)報(自然科學(xué)版)，2011，31(6)：90-93

OPTIMIZING PRODUCT DISTRIBUTION OF MIP PROCESS USING BP NEURAL NETWORK

Ouyang Fusheng， Fang Weigang， Tang Jiarui， Jiang Hongbo

(ResearchInstituteofPetroleumProcessing，EastChinaUniversityofScienceandTechnology，Shanghai200237)

Fluid catalytic cracking (FCC) is a highly non-linear and strong coupled operation system and is too hard to be described by traditional mechanism model. The artificial neural network provides a promising way to solve the problem because of its strong nonlinear prediction and self-learning ability. In a practical application of this method for a 1.0 Mt/a MIP unit， a 19-24-4 type of BP neural network to predict the yields of liquid petroleum gas (LPG)， gasoline， diesel and coke was established using nineteen input variables including properties of feedstock， regenerated catalyst and operating variables. Based on the BP neural network， the influences of the feedstock preheating temperature， outlet temperatures of two reaction zones and reaction pressure on product distribution were investigated and the operating variables were optimized using genetic algorithm(GA) with a view to maximize gasoline yield. The predicted results agree well with industrial data and a significant improvement in the gasoline yield is gained under the optimized conditions.

fluid catalytic cracking； MIP process； BP neural network； genetic algorithm

2015-09-22； 修改稿收到日期：2015-12-16。

歐陽福生，博士，教授，研究方向為煉油與石油化工。

歐陽福生，E-mail：ouyfsh@ecust.edu.cn。