专利名称：一种乙烯裂解炉裂解反应操作条件的优化方法
技术领域：
本发明属于化学反应工程与人工智能交叉领域，涉及乙烯装置管式裂解炉 热裂解反应工艺操作条件的优化方法。
背景技术：
乙烯是化学工业的重要基础原料，其产量成为衡量一个国家或地区石油化 工发展的主要标志。乙烯生产的规模、成本、生产稳定性、产品质量等都会对 整个石油化工行业产生重大影响，因此乙烯装置就成为关系全局的核心生产装 置。
随着乙烯装置的不断扩能和炼油化工一体化工作的深入，乙烯原料资源紧 张和原料多样化的问题日渐突出，在裂解装置大型化、原料多样化的同时，提 高裂解装置的原料灵活性、提高乙烯选择性和收率、减少能耗和物耗就显得尤 为重要。
裂解炉是乙烯装置的关键设备，它直接关系到乙烯装置的生产成本和整 体经济效益。由于原料来源与生产负荷经常变动，仅凭生产经验对裂解炉的操 作条件进行调整，经常造成产品质量指标符合生产要求，但三烯(指乙烯、丙 稀和丁二烯)总收率低。乙烯装置的裂解炉通常在偏离最优操作条件的状态下 运行，物耗高、产品质量波动大。同时，裂解炉是大型现代石油化工重要生产 装置，对其进行操作条件优化，即使只有1%的效益，其绝对经济效益也是相当的可观。因此，根据当前的生产状况，对裂解反应操作条件进行优化，可以保 证产品质量的稳定，提高三烯收率，提高企业的生产竞争力，且可产生巨大的 经济效益。
由于乙烯装置中裂解炉的重要性，在生产过程中采用实际装置进行模型测
试是不现实的， 一般可通过小型蒸汽裂解模拟实验装置(如MN-II型蒸汽裂解 模拟实验装置)对现有的乙烯原料进行模拟，结合生产装置的实际生产数据建 立裂解反应过程的模型，并通过优化算法对模型进行优化得到较优的工艺操作
条件用于生产控制:，以达到优化参数、指导生产、实现效益最大化的目的。
发明内容
本发明目的是提供一种乙烯裂解炉裂解反应操作条件的优化方法。选取裂 解炉出口温度、稀释比(或汽烃比)、进料烃流量作为模型输入变量，选取裂 解炉出口乙烯含量和裂解反应深度作为模型的因变量，采用神经网络技术建立
输入变量与因变量的关联模型；然后，据此进行乙烯裂解炉操作条件优化，提 高三烯收率，产生经济效益。
1.裂解炉裂解反应过程模型
建模是优化的基础，只有建立了准确可靠的模型，下一步的优化工作才有 意义。鉴于裂解炉热裂解反应过程影响因素众多且呈高度非线性特征、对其反 应机理认识有限，且工业生产过程积累大量具有代表性的生产数据，这些数据 隐含着工业反应过程的特征信息，为此，本发明选用了神经网络建模方法，以 建立裂解炉热裂解反应过程模型。神经网络建模方法不需考虑反应机理，直接 采用工业装置的代表性运行数据，对网络进行训练，就可以得到裂解炉热裂解反应过程模型，建立的模型具有较高的建模精度、同时又有很好的预报能力。 为保证神经网络模型具有较高的外推能力，在工业装置"操作点"周围进行"大 区域"正交模拟实验，获得了若干组操作范围变化较大的裂解炉热裂解反应情 况的样本数据，将这些样本数据与工业生产现场采集到的实时数据结合起来， 构成乙烯裂解炉热裂解反应过程模型的训练样本。
乙烯裂解炉热裂解反应过程模型的自变量，即神经网络模型的输入变量
(1) 裂解炉出口温度"，°c)
(2) 稀释比(或汽烃比)G2)
(3) 炉管进料负荷G3， t/h)
反应过程模型的因变量，即神经网络模型的输出变量
(1) 裂解气中乙烯含量(y,， ％)
(2) 裂解深度(y2)
神经网络模型采用活化函数为Sigmoid函数，三层前传神经网络来建立乙 烯裂解炉热裂解反应过程模型，并采用误差反传算法(BP, Back Pr叩agation) 对网络进行训练，网络结构如图l所示，输入层3个节点、隐含层1 30个节 点、输出层2个节点。网络模型的输入变量利用式(1)进行归一化处理
(1)式中，x,.是第/个操作条件(即，自变量)的实际测量值， 表示第,'个 操作条件归一化后作为神经网络输入的值，,xrj表示采集到第/个操作条 件的变化范围，归一化后输入自变量的变化范围为["，6]。网络模型的输出变量利用式(2)进行归一化处理
jy,。 . (c/ —c) + c， _/ = 1，2 (2)
J ■/ max 一mm v / / 、 ,
少乂 一少y
(2)式中，力是第y个输出变量(即，因变量)的实际测量值，^表示第y个
因变量归一化后作为神经网络输出的目标值，，^r1表示采集到第y个因变
量的变化范围，归一化后神经网络输出的变化范围为[c, 。
采集到"组代表性的工业装置数据，其中每组数据包含[x，A，^乂，^]，经 归一化后为[ ,，^2;^，^，^2]，形成训练样本。对热裂解反应深度神经网络模 型，以k,^，^]作为网络的输入，对应的[化，^]作为目标值，训练网络。当 达到一定精度要求时，停止训练，获得裂解反应过程的神经网络模型，则根据 求得的神经网络模型的权值与阈值，就可以得到裂解气中乙烯的摩尔分率 (A)、裂解深度(h)与裂解炉出口温度(i,， 。C)、稀释比(巧)、进料负 荷(x3， t/h)之间关系的具体表达式，即模型方程。
2.裂解炉热裂解反应过程操作优化
裂解炉热裂解反应过程操作优化是基于裂解反应过程神经网络模型，以操 作条件的工艺上下限、在保证乙烯收率的基础上，采用现代智能优化算法(如 遗传算法、差分进化算法等)对操作条件的约束空间进行搜索，求得最优操作 条件，提高三烯收率，从而降低物耗，提高企业的经济效益。
图l是裂解炉热裂解反应过程的神经网络模型框图。
具体实施例方式
下面，通过以下实施例对本发明作进一步说明，它将有助于理解本发明， 但并不限制本发明的内容。
图1是裂解炉热裂解反应过程的神经网络模型框图，选取裂解炉出口温度
。'，。C)、稀释比(或汽烃比)(巧)以及进料负荷(、t/h)作为模型输入
变量，即自变量，各个自变量经过归一化后形成网络的输入自变量[巧，"2，^],
归一化后变量的范围为["，6；选取裂解炉出口的乙烯含量(力)和裂解反应深 度(h)作为模型的因变量，采用神经网络技术建立输入变量与因变量的关联 模型网络，通过反归一化求得预测值》，？2。神经网络模型中，输入层的节点数
为3，隐含层节点数为1 30，输出层节点数为2。
操作优化是基于裂解炉热裂解反应过程的神经网络模型，以操作条件的工 艺上下限、以及裂解气中乙烯含量为约束条件，使其不低于某一收率，采用现 代智能优化算法(如遗传算法、粒子群优化算法等)对操作条件的约束空间进 行搜索，求得最优的裂解深度对应的操作条件(即最优的出口温度、稀释比、 进料流量)，增加裂解气中三烯收率。
1.裂解炉热裂解反应过程模型
采集来自现场和实验装置的300组裂解炉在不同的出口温度(A， °C)、 稀释比G2)、进料流量G3， t/h)下，对应裂解气中乙烯含量(乂， ％)和裂 解反应深度(h)形成样本数据。
利用(l)式，对上述各自变量进行归一化处理、的变化范围[800，860]， &的变化范围
， &的变化范围[20，28]，取a=0.2，b=0.8，进行归一化计算:
=a-800 (08一02) + 02
1 860-800、
巧=i广a6 (0.8 - 0.2) + 0.2
2 0.9 — 0.6、
议3 = & 一20(0.8-0.2)+ 0.2 3 28—20
利用(2)式，对上述各因变量进行归一化处理y，的变化范围[20,50] h的变化范围
，取c=0. 2, d二O. 8，进行归一化计算
明=乂一20 (0.8 - 0.2) + 0.2 ,1 50-20、
% = (0.8 — 0.2) + 0.2
"0.7-0.4、
网络结构为输入层节点数为3，隐含层节点数为4，输出层节点数为2。 以归一化后的300组样本数据为训练样本，采用BP算法对网络进行训练；网 络收敛时，得到下列一组权值《)(i二l, 2, 3; j=l， 2， 3, 4) ， 2， 3, 4; k二l， 2)
和阈值W) (iifI， 2， 3， 4), (n二l， 2)。这里v^为输入层第i个节点到隐含层第 j个节点的权值；nf为隐含层第j个节点到输出层第k个节点的权值；^为 隐含层第m个节点阈值；W)为输出层第n个节点阈值。裂解炉热裂解反应过 程神经网络模型为
e/2 =《.巧+《.>y;c2 +《).j;c3 + Z>2(1) (4) "W3 =《).s;c, +《 w +《).j乂3 + 63(1) (5) ww4 =《.sx, +《).sx2 +《)."3 + W)oW2 =-7-^ ， (8)
1 + exp(- w"2)
福=——^.， (9) 1 + exp卜《"3)
1
(10)
ow4 =-7-^ ，
l + exp(—we/勺
m"5 = w"2) * owd + wg) * ow/2 + * oW3 + m^) * 。w" + W2) ， (11) we/6 = wg) * OWl + M^) * + "22) * ow^ + * + ^2) ， Q 。
炒l =
砂2 =
1 (13)
1 + exp(-we/5)
_^__. (14)
1 + exp(—wW6)
其中，sy,和sy2是裂解反应过程乙烯收率和裂解深度神经网络模型预测值，该 预测值通过反归一化处理
^^f50— o (15)
力 0.8-0.2、
0.2(0.7-0.4)+ 0.4 (16) "0.8-0.2
这样就可以求得裂解气中乙烯收率(兄，％)和裂解深度(？2)的预测值。
2.裂解炉热裂解反应过程操作的优化
优化操作条件选取裂解炉出口温度、稀释比、迸料流量；根据工艺条件
和工业装置状况，设定其优化上下限分别为出口温度(800， 830)，稀释比(O. 7， 0.9)和进料负荷(20， 24)。优化目标可以选择乙烯收率最大或裂解深度最大，或者选择乙烯收率不低于一定的收率为约束条件，裂解深度最大为目标。本例 选择裂解深度最大化为目标，采用遗传算法(或粒子群优化算法等智能优化算 法)对裂解反应过程神经网络模型进行寻优，求得最优操作条件为
(1) 反应温度^二818。C
(2) 稀释比;c,0.71
(3) 进料负荷^二22.5t/h。
此时，裂解气中乙烯收率33.2%，三烯总收率达53.3%，裂解深度0.68。
优化操作变量的上下限约束应以工艺约束和工业生产装置的具体情况确 定。模型的输出值乙烯收率一般选择不低于一定的收率作为约束条件，保证装 置每年的乙烯产量，以裂解深度作为目标值进行优化来确定最优操作参数，使 丙烯和丁二烯的收率相应提高，达到整个装置经济效益最大化。
权利要求
1、一种乙烯裂解炉裂解反应操作条件的优化方法，其特征在于，(1)选取裂解炉的相关操作条件作为乙烯裂解反应过程神经网络模型的输入变量；(2)选取反映裂解炉反应结果的产品收率和裂解深度作为所述神经网络模型的因变量；(3)利用工业反应器实际生产数据作为训练样本，建立所述神经网络模型，并进而对工业反应器的操作条件进行优化计算，根据优化目标寻得反应器的最佳操作条件，使得反应所得产品满足约束；所述输入变量是裂解炉出口温度、汽烃比和进料烃流量；所述裂解深度是丙烯与乙烯的质量比。
2、 根据权利要求1所述的优化方法，其特征在于，所述神经网络模型， 其输入层的节点数为3、隐含层节点数为1 30、输出层节点数为2。
3、 根据权利要求1所述的优化方法，其特征在于，所述神经网络模型 的输入变量按照下式(I )进行归一化处理<formula>formula see original document page 2</formula>式(I )中，《表示第''个操作条件的实际测量值，M,表示第i个操 作条件经归一化处理后作为神经网络的输入值，[x" ,xrj表示采集的第 '个操作条件的变化范围，归一化处理后输入变量的变化范围为["，6]，其中<formula>formula see original document page 2</formula> ;所述神经网络模型的因变量利用下式(n)进行归一化处理<formula>formula see original document page 3</formula> (II)式(II)中，力表示第y个因变量的实际测量值， 表示第y个因变量归一化处理后作为神经网络模型的输出目标值，["in ,^rJ表示采 集的第〃'个因变量的变化范围，归一化处理后神经网络模型的输出值变化范围为[c，J]，其中c/〉c20;采集到"组代表性的工业装置数据，其中每组数据包含 h，;c2，X3，乂，y2]，经归一化处理后对应为[巧，^，^,^,w]，形成训练样 本；以h,，^，^]为输入值，以[^，^2]为目标值，训练网络；当满足 精度要求时，停止训练，获得裂解反应过程的神经网络模型；然后根据 求得的神经网络模型的权值与阈值，得到裂解反应的裂解深度和产品收 率的经过归一化后的关系表达式，通过对其反归一化就得到了裂解反应 的裂解深度和产品收率的预测值，反归一化通过下式(III)进行计算<formula>formula see original document page 3</formula> (III)式(III)中，巧表示第y个因变量的预测值，其他字母的含义同式 (II)所述；基于所述模型方程，在保证所述优化目标的基础上以操作条件的工 艺上下限为界，采用遗传算法或差分进化算法对操作条件的约束空间进 行搜索，求得最优操作条件。
4、根据权利要求1所述的优化方法，其特征在于，优化目标是裂解产 物中裂解深度最大和/或裂解气中乙烯含量不低于某一值。
全文摘要
本发明涉及一种乙烯裂解炉裂解反应操作条件的优化方法，即选取裂解炉的出口温度、裂解进料负荷，汽烃比(或稀释比)作为裂解反应过程模型的输入变量；选取反映裂解程度的乙烯收率和丙烯/乙烯比(或三烯总收率)作为模型的因变量；利用乙烯裂解炉实际生产数据和实验室裂解模型实验数据作为训练样本，建立乙烯裂解反应过程的神经网络模型，并进而对裂解反应操作条件进行优化计算，寻得裂解反应的最佳操作条件，使得在满足生产要求的负荷约束下裂解产物中的乙烯或三烯收率最大化。
文档编号C07C11/04GK101414158SQ20081020297
公开日2009年4月22日 申请日期2008年11月19日 优先权日2008年11月19日
发明者刘漫丹, 李绍军, 阳治维 申请人:华东理工大学