催化裂化汽油在精制改质过程中通常存在一定幅度的辛烷值损失。以国内某石化企业1.2 Mt a S Zorb装置多年数据为基础,使用灰色关联分析和SPSS方法从包括原料油性质、吸附剂性质、产品性质和操作变量在内的368个变量中筛选出22个建模变...催化裂化汽油在精制改质过程中通常存在一定幅度的辛烷值损失。以国内某石化企业1.2 Mt a S Zorb装置多年数据为基础,使用灰色关联分析和SPSS方法从包括原料油性质、吸附剂性质、产品性质和操作变量在内的368个变量中筛选出22个建模变量。在通过模糊C均值聚类算法将原料油分为3类的基础上,分别建立了结构为21-20-1,21-18-1,21-17-1的预测产品研究法辛烷值(RON)的BP神经网络模型。结果表明,所建立的3种模型预测效果良好。将所建立的RON预测模型与遗传算法相结合,在保证汽油脱硫效果的前提下,可以明显降低产品汽油RON损失,对实际工业生产具有参考作用。展开更多
传统的石油化工过程建模中仅使用静态数据,而未能充分考虑连续生产过程中时序信息对建模指标的影响。本文提出了一种静态与时序数据组合网络(CNSS)模型,使用前馈神经网络提取静态数据的信息,使用Bi-LSTM(Bidirectional-Long Short Term ...传统的石油化工过程建模中仅使用静态数据,而未能充分考虑连续生产过程中时序信息对建模指标的影响。本文提出了一种静态与时序数据组合网络(CNSS)模型,使用前馈神经网络提取静态数据的信息,使用Bi-LSTM(Bidirectional-Long Short Term Memory)和自注意力机制提取操作变量时序数据中的信息,其中Bi-LSTM提取操作变量在时序逻辑上的信息,自注意力机制提取操作变量之间的交叉信息,通过静态和时序数据信息的组合以获得更好的模型预测性能;并使用CNSS模型分别对S Zorb装置精制汽油辛烷值(RON)、催化裂化烟气脱硝系统氮氧化物(NO_(x))的出口质量浓度进行预测,结果表明:CNSS模型的预测精度明显高于仅使用静态数据的机器学习模型,其对精制汽油RON预测的平均绝对误差和平均绝对百分比误差分别为0.1091、0.12%,对NO_(x)出口质量浓度预测的平均绝对误差和平均绝对百分比误差分别为2.4430 mg/m3、5.60%。对于因工艺参数波动较大而需要考虑时序信息的石油化工过程,CNSS模型可以为其建立机器学习模型提供重要参考。展开更多
文摘催化裂化汽油在精制改质过程中通常存在一定幅度的辛烷值损失。以国内某石化企业1.2 Mt a S Zorb装置多年数据为基础,使用灰色关联分析和SPSS方法从包括原料油性质、吸附剂性质、产品性质和操作变量在内的368个变量中筛选出22个建模变量。在通过模糊C均值聚类算法将原料油分为3类的基础上,分别建立了结构为21-20-1,21-18-1,21-17-1的预测产品研究法辛烷值(RON)的BP神经网络模型。结果表明,所建立的3种模型预测效果良好。将所建立的RON预测模型与遗传算法相结合,在保证汽油脱硫效果的前提下,可以明显降低产品汽油RON损失,对实际工业生产具有参考作用。
文摘传统的石油化工过程建模中仅使用静态数据,而未能充分考虑连续生产过程中时序信息对建模指标的影响。本文提出了一种静态与时序数据组合网络(CNSS)模型,使用前馈神经网络提取静态数据的信息,使用Bi-LSTM(Bidirectional-Long Short Term Memory)和自注意力机制提取操作变量时序数据中的信息,其中Bi-LSTM提取操作变量在时序逻辑上的信息,自注意力机制提取操作变量之间的交叉信息,通过静态和时序数据信息的组合以获得更好的模型预测性能;并使用CNSS模型分别对S Zorb装置精制汽油辛烷值(RON)、催化裂化烟气脱硝系统氮氧化物(NO_(x))的出口质量浓度进行预测,结果表明:CNSS模型的预测精度明显高于仅使用静态数据的机器学习模型,其对精制汽油RON预测的平均绝对误差和平均绝对百分比误差分别为0.1091、0.12%,对NO_(x)出口质量浓度预测的平均绝对误差和平均绝对百分比误差分别为2.4430 mg/m3、5.60%。对于因工艺参数波动较大而需要考虑时序信息的石油化工过程,CNSS模型可以为其建立机器学习模型提供重要参考。
