采用BP神经网络预测石脑油裂解烯烃收率

第28卷第5期石化技术与应用Vol.28 No.52010年9月Petrochemical Technology & ApplicationSep. 2010研究与开发(369 ~372)采用BP神经网络预测石脑油裂解烯烃收率刘纪昌,沈本贤(华东理工大学化学I程联合国家重点实验室,上海200237)摘要:在乙烯裂解工业装置的典型操作条件下,分别选取正构烷烃、异构烷烃、环烷烃、芳烃为裂解原料,考察了这些模型化合物的蒸汽裂解产物分布情况。结果表明,正构烷烃是优质的乙烯裂解原料，乙烯收率为36%~45%;异构烷烃的内烯收率约为23%,明显高于正构烷烃;环烷烃裂解乙烯和丙烯收率较低,丁二烯收率则较高,为14% ~ 15% ;芳烃很难裂解生成烯烃。建立了包含2个隐层的级联前向BP神经网络,以模型化合物和石脑油样本裂解烯烃收率为依据对该神经网络进行训练,确定了模型参数,并对2种石脑油的裂解烯烃收率仿真数据与实验结果进行了对比。结果表明,二者的误差小于1个百分点,该模型可用于预测石脑油裂解的烯烃收率。关键词:石脑油;裂解;烯烃;模型化合物;神经网络;正构烷烃;异构烷烃中圈分类号:TE 624.3"1文献标识码:B文章编号:1009 - 0045(2010)05 - 0369 -04低分子烯烃主要由石油馏分和湿性天然气模式识别、智能控制及系统建模等领域得到越来裂解制取。由于原料性质决定着裂解结果，因此越广泛的应用。尤其是其中的误差反向传播算十分有必要研究和表征原料的裂解特性"。表.法(简称BP神经网络)可以逼近任意连续函数, .征裂解原料裂解性能的指标很多,对于组分杂多具有很强的非线性映射能力,而且网络的中间层的石油馏分,常用烃组成、结构族组成、馏程、密.数、各层的处理单元数及网络的学习系数等参数度、含氢量、相对分子质量、特性因数、芳烃指数、可根据具体情况设定,灵活性很大,因此在许多残炭值、溴价、折光指数等指标来衡量该原料的应用领域中发挥了重要作用。裂解性能,并将这些指标与裂解结果进行有意义本工作分别选取正构烷烃、异构烷烃、环烷的关联(2]。烃芳烃等为模型化合物进行蒸汽裂解实验,考各种原料的裂解性能和产物收率之所以存察不同烃类裂解的乙烯、丙烯和丁二烯收率。并在在差异,是因为其中正构烷烃、异构烷烃、环烷.相同条件下进行了10种石脑油的裂解实验,用实烃芳烃、烯烃等含量不同以及碳数不同所致。验数据对所建立的BP神经网络进行训练及仿真，了解各种烃类反应的基本规律,可有助于选择合旨在建立一种判断石脑油裂解性质优劣的方法。适的原料和反应工艺参数)。石脑油是最主要的乙烯原料,大约占全球乙烯原料构成的50%1实验部分(质量分数,下同)[*]。在我国,乙烯原料中石脑1.1实验装置油所占的份额逐年增加,2001年已高达60%。乙烯裂解实验装置工艺流程如图1所示。但并非所有的石脑油都适合作裂解原料,无论是品种还是馏分轻重都存在优化问题。收稿日期:2010 - 04 -09;修回日期:2010-06 -23人工神经网络(ANN)系统自20世纪40年基金项目:国家重点基础研究发展计划*973”项目(项目编代后出现,它由众多的神经元可调的连接权值连号:2006CB202501)。接而成,具有大规模并行处理、分布式信息存储、作者简介:刘纪月(1981-),男,山东临沂人,博士,副教授。主要从事石油资源高效利用和清洁转化研究。已发表论文良好的自组织自学习能力等特点,在信息处理、30余篇。●370.石化技术与应用第28卷原料油经过油汽化器汽化后与稀释蒸汽混合,进化学品有限公司生产。甲基环已烷,质量分数人预热炉预热，然后进入裂解炉,烃类原料在炉98% ,国药集团化学试剂有限公司生产。环庚管内发生裂解反应生成小分子烯烃,裂解气在急烷,质量分数98% ,德国默克(Merck)公司生产。冷器中迅速冷却。参照乙烯裂解工业装置的操甲苯,分析纯，上海联试化工试剂有限公司生产。作条件,控制停留时间为0.39 s,稀释蒸汽比为邻二甲苯,化学纯,国药集团化学试剂有限公司0.6,横跨温度为590 C。生产。乙苯,化学纯,上海天莲精细化工有限公.司生产。2结果与讨论2.1模型化合物的蒸汽裂解产物分布四-0-2.1.1正构烷烃由图2可见,以C, ~C,正构烷烃为裂解原料1-油计最罐;2- -水计量罐:3- -油泵;4- -水泵:s一油汽化器;时,乙烯收率较高(36.0% ~45. 0%),这与根据6-水汽化器;7- -预热炉;8-裂解炉;9- 急冷器;10- -气液分离器;11-气体质址t流量计;12- -尾油计量罐芳烃关联指数(BMCI)判断裂解原料性质优劣的團1乙烯裂解实验装置工艺流程结论相一致,正构烷烃的BMCI值接近于0,是优质的乙烯裂解原料,其丙烯收率为16.0% ~1.2分析方法18. 0%,丁二烯收率为3.1% ~4.5%。正戊烷.正裂解气分析采用上海海欣色谱仪器有限公己烷与碳数更多的正构烷烃相比,末端碳原子断司生产的GC -920型气相色谱仪,色谱柱为中国链生成甲烷的概率更高，因此其乙烯收率较低;科学院兰州化学物理研究所色谱技术研究开发中但是随着碳数的进- -步增大,-次断链产物大于心研制的PL0T Al20,柱。裂解尾油分析采用中石4个碳原子的概率增加,需二次断链方能生成目化石油化工科学研究院研制的PONA柱。采用瑞的产物低分子烯烃,因此正辛烷、正壬烷的乙烯.博汽油组成分析软件对各组分进行定性定量。收率又略有降低。1.3 原料与试剂石脑油1'~10* ,分别为中国石化上海石化or公司直馏石脑油I,I,M 、安庆焦化加氢石脑0油、库车直馏石脑油及采用上述5种石脑油按一30定配比配制的混合石脑油。其中以直馏石脑油20、I为典型代表,其族组成列于表1。0叶表1典型直馏石膪油的族组成058碳数/个组分如/%如/% .正构烷烃29.52环烷烃28.04口-乙烯;0-丙烯;0-丁二烯异构烷烃29.87芳烃12.57團2不同碳敷正构烷烃裂解的烯烃收辜烯烃0.00.总计100.002.1.2异构烷烃戊烷、正已烷、正庚烷、苯,分析纯，上海菲达甲基己烷、异辛烷裂解的烯烃收率列于表2。工贸有限公司生产。正辛烷,化学纯,江苏永华可见,异构烷烃的丙烯收率明显高于正构烷烃。精细化学品有限公司生产。正壬烷，分析纯,国表2异构烷烃裂解的烯烃收辜药集团化学试剂有限公司生产。甲基已烷(2-声甲基已烧异辛烷甲基已烷与3-甲基己烷的质量比为55:45),江乙焐28.69.3苏溧阳达灿溶剂有限公司生产。异辛烷(2,2,内烯23.222.64-三甲基戊烷)、环已烷,分析纯,江苏永华精细_丁二烯5.92. 4第5期刘纪昌等.采用BP神经网络预测石脑油裂解烯烃收率●371.2.1.3环烷烃由表5可见,芳烃类化合物较难发生裂解反甲基环已烷、环已烷、环庚烷裂解的烯烃收应,苯裂解烯烃收率为0.11%;随着侧链数量和率列于表3。长度的增加,裂解烯烃收率有所增加,乙苯裂解的乙烯收率为11. 97%,主要由侧链乙基断裂表3环烷烃裂解的爝烃收辜得到。产物甲基环已烧环已烷环庚烷乙烯16.2716. 6818.60l.2 BP神经网络方法预测石脑油裂解烯烃丙烯9.224.246.58收率丁二烯14.0715.0715.02建立包含2个隐层的级联前向BP神经网络,隐层分别采用纯线性传递函数和S形对数传由表3可见,与正构烷烃(见图2)相比,环递函数,输出层采用纯线性传递函数,每层均为烷烃裂解产物乙烯和丙烯收率较低,而丁二烯收3个神经元,其结构如图3所示。率则较高。r 1-LW12.0、「7-LW13.21环烷烃中丁二烯的质量分数为23% ~ 33%。虽然环烷烃裂解气体收率较低(见表4),但丁二b1l_b{2)烯收率为14% ~ 15%,远远高于以正构烷烃、异13>>唱+构烷烃或石脑油为裂解原料时的丁二烯收率。圈3 BP神经网络结构褒4几种裂解原料的气体产 物收辜以模型化合物和石脑油裂解烯烃收率实验原料.原料数据为基础, BP网络训练时的输人向量为1'~正庚烷92.47甲 基环已烷59.308"石脑油的13种烃类化合物的组成(见表6),目甲基已烧93.23环庚烧53.60标(输出)向量为该8种石脑油对应的裂解乙烯、丙烯和丁二烯收率(见表7)。以13种单体烃的2.1.4芳烃乙烯、丙烯和丁二烯收率作为第一层权值的初始苯、甲苯、乙苯.邻二甲苯裂解的烯烃收率列值。第一层为线性,反映每种单体烃对油品烯烃于表5。收率的贡献;第二层为非线性网络,反映各单体表5芳烃裂解的蠕烃收辜%烃之间的交互作用。采用L-M算法'1对神经网络模型进行训练。神经网络的主要目标是通甲華邻二甲米乙苯0.050.150.4611.97过输人输出样本对{[x(1),d(1)],[x(2),d0.030.140.230.39 .(2)],.,[x(p),d(p)]}来调节连接网络的权丁二烯.0. 160.27值向量w,从而使误差函数e( WV)达到最小值。表6裂解石脑油的单体烃组成组分2*3°'4s'6°7*g910'正戊烷.2.203.9616.549.025.065.967.636.423.54正已烷4.887.995.5912. 8011.426.747.197.666. 825.14.937.217.137.0111.628.008. 207.287.337.17正辛烷.087.393.2910. 195.948.316.898.18正壬烷4.433.175.551.345.822.503.423.505.112-甲基已烷.2.332. 141.932.181.752.511.942.212. 192.033-甲基己烷2.722.452.382.142.892.682.442. 5甲基环已烷7.902.233.302.902.758.994.801.784.251.551. 881.191.312.040.992.881.321.681.421.37●372●石化技术与应用第28卷续表6组分1.●567100.810.730.890.210.001.320.450.44 .0.670.66甲萃1.762.132.620.991.574.732.061.952.322.44邻二甲苯0. 791.600.741.040.921.02乙苯1.771.001. 400.220.931.161.081.261.52表7裂解石腩油的煳烃收率%3结论产物1'2°3°4*5*6'7'8a.在乙烯裂解工业装置的典型操作条件下,乙烯29.91 31.00 29.90 32.97 30.78 30.09 30.41 29.92以C, ~C,正构烷烃为裂解原料,裂解产物中乙烯丙烯16.83 17.57 16.37 18.55 16.82 17.16 17.19 17.56收率为36%~45%,说明其为优质的乙烯裂解原丁二烯7.04 5.95 5.80 5.27 4.97 6.00 5.87 5.61料;异构烷烃的丙烯收率约为23%,明显高于正构烷烃;与正构烷烃和异构烷烃相比,环烷烃裂采用L-M算法经过1 000次训练后,e( W)解乙烯和丙烯收率较低,丁二烯收率则较高,为小于10-' ,达到预定的网络性能。e(W) 随训练14% ~15% ;芳烃类化合物较难发生裂解反应,随着侧链数量和长度的增加,裂解气体收率和烯次数的变化关系如图4所示。烃收率均有所增加。10°rb.建立了包含2个隐层的级联前向BP神0't经网络,以模型:化合物和石脑油样本裂解烯烃收; 10'A率为依据对该神经网络进行训练,确定了模型参数,并对2种石脑油的裂解烯烃收率仿真数据与10*实验结果进行了对比。结果表明,二者的误差小.10"02004006008001000于1个百分点,该模型可用于预测石脑油裂解的训练次数饮烯烃收率。圄4 L-M 算法误差函数随训练次数的变化参考文献:以9* ,10*2种油品(组成见表6)进行仿真，[1]李作政,冷實正.乙娜生产与管理[M].北京:中国石化出版得到的仿真数据与该石脑油在相同裂解条件下社,1992:27 -31. .[2]王松汉,何细幕.乙婼工艺与技术[M].北京:中国石化出版的实验结果对比列于表8。社2000:83 -91.表8. 裂解石脑油仿真与实验烯烃收辜对比 %[3]陈滨.乙嫌工学[ M].北京:化学工业出版社1997:79 -82.[4]题国华.乙烯蒸汽裂解原料优化(三)[J].乙烯工业,003, .100产物仿真实验误差°仿真实验误差15(2) :55-66.乙烯30.89 30.40 0.49 29.17 29.59 -0.42[S]刘浩,白振兴. BP网络的Matlab实现及应用研究[J].现代电子技术,2006 ,29(2) :49 -S1.丙烯17.64 17.19 0.45 16.00 16.24 -0.24 .[6]高隽.人工神经网络原理及仿真实例[M].北京:机械工业出丁二烯6.27 6.18 0.095.63 5.370.26版社,2003 :44-55.◆仿真数据与相应实验结果的差值。由表8可见,该BP神经网络的仿真数据与相关文献链接:[1]刘纪昌,沈本贤.正构烷烃含量对裂解烯烃收率的影响及乙相应实验结果的误差小于1个百分点。表明建烯裂解的原料调配[J].华东理工大学学报:自然科学版，立的BP神经网络模型可以预测石脑油的裂解烯2006 ,32(5) :535 -539.烃收率,判断不同石脑油裂解原料的相对优劣。(下转第377页)第5期钱颖等.镍基裂解汽油一段加氢催化剂钝化方法研究●377●Study on passivation of nickel - based catalyst for firststage hydrogenation of pyrolysis gasolineQian Ying'2,3 ,Li Jingyao' , Pan Xizhu' , Bian Hu' ,Cai Xiaoxia' ,Li Pingzhi' , Wang Tinghai' ,Xie Wei'(1, Lanzhou Institute of Chemical Physics , Chinese Academy of Sciences , Lanzhou 730000 ,China;2. Graduate University of Chinese Academy of Sciences , Beijing 100049 , China;3. Lanzhou Petrochemical Research Center , PetroChina , Lanzhou 730000 , China ;4. Sichuan Petrochemical Company ,PetroChina , Chengdu 610500 , China)Abstract :The passivation and starting up processvating raw material. The process of passivation wasfor the nickel - based catalyst LY - 2008 were con-of reasonable bed temperature distribution , smoothducted in a 500 mL adiabatic reactor using straight-operation and excellent passivation effect. And therun naphtha and the first stage hydrogenation prod-oil product after passivation could be directly hydro-ucts of different pyrolysis gasoline fractions ( C。-genated in the second stage hydrogenation. So theC,C,-C,Cs -Cg,C, -C,) as the passivators.start-up had the advantage of easy control.The results showed that the product of the first stagehydrogenation with lower content of olefin ( theKey words :nickel-based catalyst;passivation;py-dienes value no more than 2. 50 x 10-2 g/g) could .rolysis gasoline ; hydrogenated fraction ; straight-runbe substituted for straight-run naphtha as the passi-naphtha ; bed temperature ; initial activity. (上接第372页)Prediction of olefin yield of naphtha steam cracking usingback - propagation neural networkLiu Jichang , Shen Benxian(State Key Laboratory of Chemical Engineering , East China University ofScience and Technology , Shanghai 200237 ,China)Abstract :The model compounds of normal paraf-15% . The aromatics were difficult to produce olefinsfin , isoparaffin, cyclane and aromatics were selectedby cracking. The back - propagation neural networkas8 the feedstocks of steam cracking process and thecontainning two hiding layers were established anddistribution of the cracking producte were investiga-trained using the olefin yield of the model com-ted under the typical reaction conditions of ethylenepounds and naphthas, and the parameters were de-cracking industial unit. The results showed that thetermined. The simulation data and the experimentalnormal paraffin was the quality feedstock for steamresults of olefin yield for two naphthas were com-cracking, and its ethylene yield could reach 36% -pared. The results indicated that the errors were less45%. The propylene yield of isoparaffn was aboutthan 1 percent point. The model could be used to23% , which was higher than that of normal paraffin.predict the olefin yield of naphtha ecracking.The ethylene and propylene yields of cyclane wereKey words : naphtha ;cracking ;olefin; model com-lower , but the butadiene yield was as high as 14% -pound ; neural network ;normal paraffin ; isoparaffin