石油化工过程的静态与时序数据组合建模

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。

基于工业数据的催化裂化装置选择性催化还原脱硝机理模型

通过研究选择性催化还原(SCR)技术机理,建立催化裂化(FCC)装置再生烟气SCR系统脱硝机理微分方程组模型。基于大量工业SCR系统数据,利用龙格库塔吉尔(RKG)方法对脱硝机理微分方程组进行求解,并结合遗传算法对模型参数进行寻优。结果表明,模型对FCC装置SCR系统出口氮氧化物(NO_(x))浓度预测的平均绝对误差为5.75%,模型预测值与装置实际值拟合的可决系数为0.906。这说明所建SCR脱硝机理模型具有较强的泛化能力和较高模拟精度,可用于优化FCC装置再生烟气SCR系统的操作条件,实现NO_(x)排放达标。

梳型共聚物的相对分子质量调控及其对JENM原油的降凝效果

为降低高蜡型JENM原油的输送成本,合成了丙烯酸十八酯-丙烯酸二十二酯-马来酸酐梳型共聚物降凝剂,考察了降凝剂相对分子质量对降凝效果的影响,并通过优化反应条件实现对聚合物相对分子质量的调控,研究了加剂前后JENM原油的析蜡特性和蜡晶形貌的变化。研究表明,随着反应温度升高和反应溶剂用量增加,降凝剂的平均相对分子质量减小;随着引发剂用量的增加,降凝剂的平均相对分子质量先增大后减小。丙烯酸十八酯-丙烯酸二十二酯-马来酸酐降凝剂的平均相对分子质量约为14000时对JENM原油的降凝效果较好,典型优化合成条件为:反应温度100℃、溶剂用量77%、引发剂用量为单体质量的1%,合成的降凝剂加剂量为0.3%时,JENM原油凝点由30℃降至17℃,降幅为13℃;30℃时黏度由9.12 Pa·s降至2.24 Pa·s,降黏率为75%,显著改善了JENM原油的低温流动性。结合DSC和显微分析发现,降凝剂的加入使JENM原油析蜡点和析蜡峰温降低,凝点处析蜡量增加。降凝剂的极性基团抑制了蜡晶生长,促进了蜡分子的分散,使晶种在更低温度才开始析出。同时,由于蜡晶更加细小,析蜡量较大时才使原油失去流动性,从而有效降低了原油凝点。图11表2参18。