對催化裂化反應(yīng)再生系統(tǒng)建立模型,是實現(xiàn)該生產(chǎn)過程的操作條件優(yōu)化和增大產(chǎn)物收率的關(guān)鍵問題。當(dāng)前石化行業(yè)生產(chǎn)過程中各種生產(chǎn)數(shù)據(jù)都能從裝置的數(shù)據(jù)庫平臺實時采集,使得建立一個基于數(shù)據(jù)驅(qū)動的反應(yīng)再生系統(tǒng)的智能模型成為當(dāng)前研究熱點問題之一。針對該問題,本文基于催化裂化裝置的歷史生產(chǎn)數(shù)據(jù)分別建立了汽油產(chǎn)率關(guān)于操作條件的反應(yīng)再生過程的BP神經(jīng)網(wǎng)絡(luò)（BPNN）和支持向量回歸機（SVR）模型。對模型進行預(yù)測對比和分析,說明了本文所提方法的有效性和可行性。本文主要研究工作內(nèi)容如下:首先,本文研究了催化裂化反應(yīng)再生工藝,選取了催化裂化反應(yīng)再生過程模型的輸入輸出變量。本文選取汽油產(chǎn)率為輸出變量,同時選取提升管第一反應(yīng)溫度、提升管第二反應(yīng)區(qū)溫度、劑油比、反應(yīng)壓力和空速這些操作條件為輸入變量。分析了優(yōu)化模型參數(shù)采用的人工蜂群算法（ABC）、粒子群算法（PSO）、蟻群算法（ACO）和遺傳算法（GA）的基本原理。其次,建立BPNN的催化裂化反應(yīng)再生系統(tǒng)的模型,以汽油產(chǎn)率為輸出變量,操作條件為輸入變量。利用ABC、ACO、PSO、GA分別優(yōu)化BPNN的初始權(quán)值和閾值,結(jié)果證明經(jīng)過優(yōu)化的BPNN模型精確度大大提高。最后,利... 

【文章來源】：中國計量大學(xué)浙江省

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

催化裂化反應(yīng)再生裝置圖

中國計量大學(xué)碩士學(xué)位論文實際情況,并能保證網(wǎng)絡(luò)精度[69]。所以本文建立 BP 神經(jīng)網(wǎng)絡(luò)入層、隱含層、輸出層。由三層的 BP 神經(jīng)網(wǎng)絡(luò)來完成 5 個輸射。BP 神經(jīng)網(wǎng)絡(luò)的輸入變量為提升管一段反應(yīng)區(qū)溫度、提升、反應(yīng)壓力、空速、劑油比，輸出變量為汽油產(chǎn)率，所以隱含搭建的是一個 5-11-1 的 BP 神經(jīng)網(wǎng)絡(luò)如圖 3.2 所示。

圖 3.5ABC-BPNN 模型汽油產(chǎn)率預(yù)測值與實際值對比圖開始輸入訓(xùn)練樣本，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)歸一化處理初始化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值信號前向傳播，輸出BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出計算網(wǎng)絡(luò)預(yù)測輸出和期望輸出誤差誤差反向傳播，修正權(quán)值和閾值權(quán)使網(wǎng)絡(luò)預(yù)測值逼近期望值達到最大迭代次數(shù)？訓(xùn)練過程結(jié)束，保存最優(yōu)權(quán)值和閾值是否初始化參數(shù)構(gòu)建解空間達到最大迭代次數(shù)？輸出最優(yōu)解，得到BP神經(jīng)網(wǎng)絡(luò)最優(yōu)權(quán)值閾值否更新信息素迭代次數(shù)加1，清空路徑記錄表是

【參考文獻】：
期刊論文
[1]多產(chǎn)丙烯重油催化裂化9集總動力學(xué)模型的研究[J]. 侯凱軍,歐陽福生,高永福,李荻,王智峰,陽斯拯.  石化技術(shù)與應(yīng)用. 2017(05)
[2]重油催化裂化14集總動力學(xué)模型研究[J]. 孫世源,孟凡東,閆鴻飛,張亞西.  河南化工. 2017(07)
[3]大數(shù)據(jù)分析的神經(jīng)網(wǎng)絡(luò)方法[J]. 章毅,郭泉,王建勇.  工程科學(xué)與技術(shù). 2017(01)
[4]數(shù)據(jù)挖掘在化學(xué)化工中的研究進展[J]. 余凡,范寶安,黃鐵垓.  應(yīng)用化工. 2017(01)
[5]第七章 石油化工-精細化工[J]. 馬紅,黃義爭,徐杰.  工業(yè)催化. 2016(04)
[6]過程工業(yè)大數(shù)據(jù)建模研究展望[J]. 劉強,秦泗釗.  自動化學(xué)報. 2016(02)
[7]從近兩年歐美煉油專業(yè)會議看世界煉油技術(shù)新進展[J]. 李雪靜,喬明.  國際石油經(jīng)濟. 2015(05)
[8]催化裂化(裂解)集總反應(yīng)動力學(xué)模型研究進展[J]. 熊凱,盧春喜.  石油學(xué)報(石油加工). 2015(02)
[9]群智能算法的理論及應(yīng)用綜述[J]. 王水花,張煜東,吉根林.  南京師范大學(xué)學(xué)報(工程技術(shù)版). 2014(04)
[10]GA輔助BP神經(jīng)網(wǎng)絡(luò)預(yù)測催化裂化裝置汽油產(chǎn)率[J]. 張忠洋,李澤欽,李宇龍,李國慶.  石油煉制與化工. 2014(07)

博士論文
[1]MIP-CGP反應(yīng)過程數(shù)學(xué)模型研究[D]. 段良偉.華東理工大學(xué) 2012
[2]催化裂化過程建模與應(yīng)用研究[D]. 栗偉.浙江大學(xué) 2010

碩士論文
[1]基于改進狼群算法的小波神經(jīng)網(wǎng)絡(luò)短時交通流預(yù)測[D]. 齊璐.西南交通大學(xué) 2017
[2]重油催化裂化十二集總動力學(xué)模型研究[D]. 張建華.華東理工大學(xué) 2017
[3]不同核支持向量回歸機在模型預(yù)測控制中的應(yīng)用研究[D]. 劉念慈.重慶郵電大學(xué) 2016
[4]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(yīng)用研究[D]. 方偉剛.華東理工大學(xué) 2016
[5]支持向量機優(yōu)化模型及其應(yīng)用[D]. 顏薇.湖南師范大學(xué) 2016
[6]工業(yè)催化裂化裝置反再系統(tǒng)建模研究[D]. 洪建旭.華南理工大學(xué) 2014
[7]基于數(shù)據(jù)驅(qū)動的控制方法在建模過程中的不適定問題的研究[D]. 于一發(fā).遼寧科技大學(xué) 2014
[8]催化裂化反應(yīng)—再生系統(tǒng)的模型參數(shù)辨識與先進控制研究[D]. 寧忠蘭.北京化工大學(xué) 2013
[9]重油催化裂化裝置用能分析及系統(tǒng)優(yōu)化[D]. 任會姝.中國石油大學(xué)（華東） 2013
[10]中石化洛陽分公司兩套不同結(jié)構(gòu)催化裂化裝置的工藝技術(shù)分析及優(yōu)化[D]. 劉靜翔.天津大學(xué) 2012



本文編號：3613924