利用基于PSO算法的径向基人工神经网络优化重催干气脱硫

针对重催干气脱硫过程存在进料波动频繁、优化响应滞后导致能量消耗过大等问题,通过Aspen HYSYS V11软件利用Li-Mather物性方法对该系统进行全流程模拟,根据Plackett-Burman设计筛选对目标值具有显著影响的有效因素,利用基于PSO算法的径向基人工神经网络对预测模型进行训练、验证和测试,并在满足净化干气硫化氢浓度约束的前提下对其进行深度优化,以期最小化系统能耗。结果表明,重催干气流量、重催干气硫化氢浓度、贫液哌嗪质量分数、贫液N-甲基二乙醇胺(MDEA)质量分数、胺液循环量、T-3001塔底温度和E-3003贫液出口温度对系统能耗影响非常显著,当以上述因素为输入信号,以系统能耗为网络输出时,7-16-1型径向基人工神经网络预测模型经过4182次迭代后,它的训练样本、验证样本、测试样本均方误差分别为5.08×10^(-6)、7.78×10^(-6)和9.56×10^(-6),均小于容许收敛误差限10^(-5),而其决定系数亦高达0.981、0.975、0.969,表现出良好的相关性。当利用基于PSO算法的径向基人工神经网络对重催干气脱硫系统能耗进行优化时,经过3198次粒子进化迭代后系统能耗仅为0.0649kg_(oe)/h,较优化前系统能耗0.0713kg_(oe)/h降低了8.98%,节能效果显著。