基于烃类组成的催化裂解反应规律

目的研究催化裂解过程中不同烃类的反应规律,提升原料油烃类利用率和目标产物的选择性,挖掘“油产化”的潜力。方法基于原料油和产物的烃类组成,详细分析了从原料油到反应产物不同烃类的表观转化率,并对不同烃类的转化与生成途径进行了分析与探讨。结果在催化裂解反应过程中,链烷烃、环烷烃和芳烃的表观转化率分别为93.06%、97.05%和58.53%,其中,单环、双环、三环、四环和五环及以上芳烃的表观转化率分别为61.49%、11.34%、65.17%、29.27%和96.35%。催化裂解产物与原料油物质的量之比为7.68,产物芳烃与原料油芳烃物质的量之比为2.99。液体产物中可进一步转化为目标产物的烃类质量分数为27.50%,产物中单环芳烃通过原料油中非芳烃芳构化反应生成的比例为96.16%。结论链烷烃和环烷烃催化裂解转化较为彻底,而芳烃表观转化率较低,且不同环数芳烃的表观转化率差异较大,并呈现出奇环数芳烃表观转化率高、偶环数芳烃表观转化率低的特征。裂解反应和芳构化反应是催化裂解过程中最重要的两类反应,不同烃类的表观轻质化顺序为链烷烃>单环芳烃>环烷烃>双环芳烃>三环及以上芳烃,产物中单环芳烃主要来自原料油中非芳烃的芳构化反应,液体产物中可转化为目标产物的烃类仍有进一步压减的空间。

基于BP神经网络的重油催化裂解模型

基于BP神经网络,利用重油催化裂解反应过程的试验数据,以涉及原料性质、催化剂活性、操作条件等的11个参数作为输入变量,以乙烯、丙烯和BTX(苯、甲苯、二甲苯)的产率作为输出变量,构建了结构为11-12-3、以贝叶斯算法为学习算法的BP神经网络重油催化裂解模型,并进行了验证。结果表明,该模型对乙烯、丙烯和BTX产率的预测平均相对误差分别为4.59%,3.92%,2.28%,说明所建模型对重油催化裂解反应产物产率的预测效果较好。