一种加氢精制催化剂性能预测方法与流程

本发明涉及催化剂性能预测领域。更具体地，涉及一种加氢精制催化剂性能预测方法。

背景技术：

当前，伴随着原油的质量逐渐下降，人们对纯净油品的需求持续增加，在石油炼化的过程中对加氢的技术重视度越来越高，而加氢技术最重要的环节就是催化剂的使用。

目前催化剂的研发通过传统实验手段的研究方法不仅具有一定的盲目性，需要进行大量的实验进行尝试筛选，浪费人力物力，而且由于该过程多为连续装置，通常需要较长的操作周期进行研究，难以应对瞬息万变的市场并及时作出反馈提供解决方案，影响了企业的经济效益。随着计算机水平的迅猛发展，依靠计算机模拟技术与实验提供的分析数据相结合的研究有效的解决了传统手段对市场变化响应速度慢的根本问题，加速推动了加氢精制催化剂模型研究的发展进度。如何获得能够快速有效的预测催化剂性能，减少不必要的重复劳动和能源消耗的加氢精制催化剂模型。

因此，需要提供一种能够快速有效且准确的预测催化剂性能，减少不必要的重复劳动和能源消耗的加氢精制催化剂模型。

技术实现要素：

本发明的目的在于提供一种加氢精制催化剂性能预测方法，该方法可快速有效的预测催化剂的性能，减少不必要的重复劳动和能源消耗的加氢精制催化剂模型，且该模型学习速度快，泛化能力强，预测精度高，可快速、精确的预测原油加氢催化反应时加氢精制催化剂的性能。

为达到上述目的，本发明提供一种加氢精制催化剂性能预测方法，包括如下步骤：

1)获得原油加氢反应时的基础数据，并将数据归一化处理，形成数据库；

2)建立广义回归神经网络模型，以步骤1)所得数据库中影响加氢精制催化剂性质的数据作为输入数据、加氢反应后所得产物性质相关的数据作为输出数据；

3)训练所述广义回归神经网络模型；

4)预测所述加氢精制催化剂的性能。

原油加氢反应时的包括从原料到反应产物的物理特性等均可作为原油加氢反应时的基础数据，其中包括有成型和未成型的催化剂性质。在一个优选实施方式中，步骤1)中，原油加氢反应时的基础数据包括：加氢精制催化剂的金属上量、加氢精制催化剂的强度、加氢精制催化剂使用的载体的性质、加氢反应后得到的油品中的硫含量、氮含量以及油品密度。

在一个优选实施方式中，所述制作加氢精制催化剂载体的方法包括：利用拟薄水铝石粉体、硝酸、田菁粉、纯水等原料以不同比例混合均匀，通过双螺杆挤条机捏合成型，经600℃高温焙烧后制得加氢精制催化剂载体，采用浸渍法或混捏法引入加氢活性金属组分，得到加氢精制催化剂。

在一个优选示例中，上述加氢活性金属组分为第ⅷ族和/或第ⅵb族金属，其中第ⅷ族金属为ni和/或co，第ⅵb族金属为w和/或mo。优选地，以加氢精制催化剂的重量为基准，第ⅷ族金属以氧化物计的含量为0.5wt％-20.0wt％，第ⅵb族金属以氧化物计的含量为1.0wt％-20.0wt％。

在一个优选实施方式中，步骤2)中，所述影响加氢精制催化剂性质的数据包括：加氢精制催化剂的金属上量、加氢精制催化剂的强度、加氢精制催化剂使用的载体的性质；所述加氢反应后所得产物性质相关的数据包括：加氢反应后得到的油品中的硫含量、氮含量以及油品密度。

在一个优选实施方式中，所述加氢精制催化剂使用的载体的性质包括：所述载体的bet比表面积和吸附总孔容。

在一个优选实施方式中，步骤3)中，训练所述广义回归神经网络模型的方法包括：将样本数据按照5:1的比例随机分为训练数据和测试数据，将训练数据输入所述广义回归神经网络模型中进行训练，训练的方法为交叉验证法。

在一个优选实施方式中，步骤4)中，预测所述加氢精制催化剂的性能的方法包括：将步骤3)得到的训练数据输入建立好的广义回归神经网络模型中得到输出值，将数值反归一化后得到预测值，与期望值进行对比，通过均方误差和决定系数来评价模型的优劣。

在一个优选实施方式中，步骤2)中，所述广义回归神经网络模型中，广义回归神经网络具有四层结构，分别为输入层、模式层、求和层和输出层，所述广义回归神经网络模型结构的建立包括如下步骤：

所述模式层的神经元传递函数为：其中：pi为神经元i的输出，其为输入变量与其对应的样本x之间euclid距离平方的指数平方的指数形式；x为网络输入变量；xi为第i个神经元对应的学习样本；σ为光滑因子，t为转置；

所述求和层的神经元传递函数为：其中，yi为第i个输出样本；

所述输出层的神经元传递函数为：其中，

yij为模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本yi中的第j个元素。

可以理解，上述输入层输入输入数据，输出层输出输出数据，在此不赘述。

本发明的有益效果如下：

本发明提供的预测方法现有方法对不同催化剂性能进行了预测，填补了目前没有对加氢精制催化剂性质进行预测的模型的空白，且克服了传统神经网络(如bp算法)有容易陷入局部最优，算法收敛慢，预测精度低等缺点。本发明利用实验室长期积累的实验数据，提出一种基于神经网络的加氢精制催化剂性能预测方法。该方法具有预测速度快，泛化能力强，预测精度高等特点。在实验过程中会积累大量数据，利用数据建立起催化剂性能的模型可以节省催化剂研发时间，加快研发进度，节省研发经费，因此本发明具有实际推广价值。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1示出本发明实施例1预测方法的流程图。

图2示出本发明实施例1广义回归神经网络模型的结构示意图。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

实施例1

加氢精制催化剂性能预测方法，流程如图1所示，包括如下步骤：

1)加氢精制催化剂制备

把拟薄水铝石粉体100g、硝酸3ml、田菁粉3g、纯水100ml进行充分混合，通过双螺杆挤条机捏合成型，将成型催化剂载体120℃烘干后，在空气环境下经600℃高温焙烧后制得加氢精制催化剂载体。将碱式碳酸镍固体配制成饱和溶液，以氧化物计的含量为20.0wt％，将加氢精制催化剂载体和碱式碳酸镍溶液充分混合，在450℃空气环境中高温焙烧后制得加氢精制催化剂；

2)加氢精制催化剂性能评价

将加氢精制催化剂装于加氢微型反应器中，选取反应压力1.6mpa，反应温度240℃，氢油比100，体积空速10h^-1，反应8h后取反应油样进行分析，主要分析油品的硫含量，氮含量，密度等数据；

3)数据处理

由于数据样本间相差过大，为了消除各维数据样本间数量级别差，将上述实验中的数据转化为[-1,1]范围内的数值，进行归一化处理后存储在数据库中，主要选取但不限于加氢精制催化剂载体的作为输入数据，选取催化剂反应后油品中的硫含量，氮含量，油品密度作为输出数据；

4)建立性能预测模型

采用广义回归神经网络，其具有四层结构，分别为输入层、模式层、求和层和输出层，如图2所示；选取影响加氢精制催化剂性能的因素，也即上述步骤3)中的输入数据作为输入层的输入，加氢精制催化剂载体性能，也即上述步骤3)中的输出数据作为输出层的输出；在输入为x的条件下，y的预测输出函数表示为：

1.输入层：

输入层神经元的数目等于学习样本中输入向量的维数，各神经元是简单的分布单元，直接将输入变量传递给模式层。

2.模式层：

模式层神经元数目等于学习样本的数目n，各神经元对应不同的样本，模式层神经元传递函数为：

式中，pi为神经元i的输出，其为输入变量与其对应的样本x之间euclid距离平方的指数平方的指数形式。其中x为网络输入变量，xi为第i个神经元对应的学习样本，t为转置。

3.求和层：

求和层中使用两种类型神经元进行求和。一种类型的计算公式为：

式子对所有模式层神经元的输出进行算术求和，其模式层与神经元的连接权值为1，传递函数为：

另一种类型计算公式为：

式子对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本yi中的第j个元素，传递函数为：

yij为模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本yi中的第j个元素。

4.输出层：

输出层中神经元数目等于学习样本中输出向量的维数k，每个神经元与求和层的输出相除，神经元j的输出对应估计结果y(x)的第j个元素，即

应用parzen非参数估计，可由样本数据集估算密度函数

其中，xi为随机变量x的样本观测值；yi为随机变量y的样本观测值；n为样本容量；p为随机变量x的维数；σ为光滑因子；

用代替f(x,y)带入式1，并交换积分与加和顺序得到最后的网络输出为：

估计值为所有样本观测值yi的加权平均值，每个观测值yi的权重因子为相应的样本xi与x之间euclid的距离平方的指数；当光滑因子σ非常大的时候，近似于所有样本因变量的均值；相反当光滑因子趋向于0时和训练样本非常接近，但是一旦预测的点未能包含在训练样本中时，预测效果较差；所以选取光滑因子是广义回归神经网络预测准确性的关键；由于训练数据较少，采取交叉验证方法训练广义回归神经网络，并通过循环训练找出最佳光滑因子的值为0.68；

5)性能预测

选取步骤3)中的输入输出数据，将样本数据按照4:1的比例随机分为训练数据和测试数据，将训练数据输入加氢精制催化剂性能模型中进行训练，找出最佳光滑因子并带入模型中，完成模型建立；将需要预测的数据输入模型中，即可得到预测数据，结果分别如下表1-表3所示(分别测定10个样本的数据)。

表1上述最终油品中密度的预测值与实际值

上述最终油品中密度的预测值与实际值的均方误差为0.1970，决定系数为0.7497。

表2上述最终油品中s元素含量的预测值与实际值

上述最终油品中s元素含量的预测值与实际值的均方误差为0.2323，决定系数为0.9976。

表3上述最终油品中n元素含量的预测值与实际值

上述最终油品中n元素含量的预测值与实际值的均方误差为0.0767，决定系数为0.9766。

可以看出密度模型和n元素含量模型的均方误差都较小，表明模型具有良好的预测精度。s元素含量模型和n元素含量模型从决定系数可以看出模型具有良好的拟合优度。

本发明的预测方法利用实验室长期积累的实验数据，具有预测速度快，泛化能力强，预测精度高等特点。在实验过程中会积累大量数据，利用数据建立起催化剂性能的模型可以节省催化剂研发时间，加快研发进度，节省研发经费，因此本发明具有实际推广价值。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。