用于煤液化油临界性质参数的获取方法

文档序号:8255103来源:国知局
用于煤液化油临界性质参数的获取方法
【技术领域】
[0001]本发明涉及煤液化领域,尤其涉及一种用于煤液化油临界性质参数的获取方法。
【背景技术】
[0002]在石油资源匮乏,液体燃料和化工原料短缺的严峻现状下,煤液化工艺的开发和推广是应对石油危机和提高能源安全保障的有效措施。虽然煤液化工艺的开发目前已基本进入工业化阶段,但煤液化油组分的各种基础物性数据和流程模拟中关键参数的缺乏,在某种程度上阻碍了煤液化工艺的发展。
[0003]热力学参数不仅是研宄煤液化油性质的基本数据,也是液化设备设计和放大、煤液化工艺全流程模拟的依据。其中,临界性质参数作为煤液化油的重要热力学性质,是关联其他物性数据的基础。
[0004]在煤液化技术中,由于煤液化油组分十分复杂,很难直接得到其热力学性质。所以,目前多采用将其切割成多个窄馏分,借鉴成熟的石油分析方法对窄馏分的热力学性质进行研宄,来得到煤液化油的热力学性质。临界参数一般是对单组分纯化合物才有意义,煤液化油即使是切割成窄馏分也是多组分混合物,不能用适合单组分纯化合物的测定方法来测定其临界参数,液化油窄馏分的临界参数是为了研宄煤液化油热力学性质之间的关系而人为假设的,所以称为假临界参数。但是这些参数对计算其他热力学性质是十分重要的,所以需要借鉴目前现有的研宄手段对其进行分析研宄。
[0005]从目前关于临界参数研宄的文献来看,可将各种估算方法分为:直接测量方法、基团贡献法和经验关联式法三种类型。其中,基团贡献法是通过假定不同分子中同一基团的贡献完全相同,把有机物的性质看成是构成物质的基团对此性质的贡献的加和,然后通过数学拟合等方法,得到该性质与分子基团之间的定量关系,从而达到预测的功能。由于该方法的估算过程中基本不依赖其它物性,所以在临界性质参数的计算中应用较多。
[0006]但是基团贡献法在预测有机物的临界参数上还是存在一定缺陷的,比如:基团贡献法仅仅考虑分子中基团的贡献,而未考虑基团之间、化学键之间的相互作用;另一方面,基团贡献法对同分异构体的区分能力相对较差,仅用基团根本无法区分出其结构上的差别。
[0007]冯杰等研宄人员采用基团贡献法计算得到了煤直接液化油各窄馏分的临界性质,但是考虑到各个窄馏分中各个基团键的相互作用是高度非线性的,若采用基团贡献法中简单的数学回归方法来获得各个基团键的相互作用权,不能很好地反映出同一基团键在不同分子中对物化性质数值贡献的差异,使得预测精度较低,而且应用范围受到限制。
[0008]因此,需要提供适合煤液化油体系且更准确有效的方法来得到其临界性质。

【发明内容】

[0009]本发明的目的在于提供一种用于煤液化油临界参数的获取方法,以弥补基团贡献法的不足。
[0010]为此,本发明提供了一种用于煤液化油临界参数的获取方法,包括以下步骤:对煤液化油的窄馏分进行检测,以获取窄馏分的沸点和基团组成;以及将窄馏分的沸点和基团组成输入到经训练的神经网络模型中,以获得窄馏分的多个临界参数的数值,其中,神经网络模型以煤液化油的基团组成和煤液化油的窄馏分的沸点作为输入序列,并且以窄馏分的多个临界参数作为输出序列。
[0011]进一步地,上述多个临界参数为临界温度、临界压力和临界体积。
[0012]进一步地,上述神经网络模型的训练包括以下步骤:将煤液化油分割为多个窄馏分;检测多个窄馏分中的各窄馏分的沸点和基团组成,并且获取各窄馏分的多个临界参数的数值;将多个窄馏分中的一部分窄馏分作为训练样本,对神经网络进行训练;在神经网络收敛后停止训练,以获得神经网络模型。
[0013]进一步地,上述神经网络模型的训练还包括用于煤液化油临界参数的获取方法还包括将多个窄馏分中的另一部分作为检验样本,将检验样本的沸点和基团组成输入到利用训练样本训练后的神经网络模型中,根据神经网络模型的输出来测定神经网络模型的预测误差。
[0014]进一步地,上述训练样本的多个临界参数包括临界温度、临界压力和临界体积,训练样本的临界温度、临界压力和临界体积分别由以下公式获得:
[0015]Tc= 18.293Tb0.59525 P0.34742;
[0016]Pc= 0.29515X 10 7V2-2082 P 2-2209;
[0017]Vc = 0.82238X 10-4Tb2 5111p-1 6221,其中,Tc为临界温度,P。为临界压力,V。为临界体积,
[0018]Tb为沸点温度,P为20°C下的密度。
[0019]进一步地,上述神经网络为BP神经网络,包括输入层、隐含层和输出层。
[0020]进一步地,上述煤液化油的基团数量为40个,临界参数为3个,BP神经网络的输入层的节点数为41个,输出层的节点数为3个。
[0021]进一步地,上述隐含层为一层,隐含层的节点数为20个。
[0022]进一步地,上述各窄馏分和对应的沸点利用实沸点蒸馏装置对煤液化油进行实沸点蒸饱获得。
[0023]进一步地,上述窄馏分的基团组成利用气相色谱-质谱联用仪测得。
[0024]本发明提出将人工神经网络和基团贡献法相结合的方法计算煤液化油的临界性质,该方法具有以下优点与积极效果:
[0025]I)与单一的基团贡献法相比,该方法考虑了有机物中各基团之间的交互作用,提高了计算的准确度;
[0026]2)神经网络具有柔性结构,根据所要预测的样本所包含的基团的情况,其输入层、中间层和输出层节点数可以方便的调节;训练样本集也可以进行有目的的增减,可以通过不断地筛选与增加更可靠的数据而不断地提高预测的可靠性;
[0027]3)在传统基团贡献法中,当有新的基团加入时,需要重新回归修正基团贡献值,使计算更加繁琐。而在神经网络可以增加新的基团为输入节点,扩大网络的估算范围。
[0028]除了上面所描述的目的、特征、和优点之外,本发明具有的其它目的、特征、和优点,将结合附图作进一步详细的说明。
【附图说明】
[0029]构成本说明书的一部分、用于进一步理解本发明的附图示出了本发明的优选实施例,并与说明书一起用来说明本发明的原理。图中:
[0030]图1是根据本发明的用于煤液化油临界参数的神经网络模型的示意图;
[0031]图2是根据本发明的用于煤液化油临界参数的获取方法的流程图;
[0032]图3是根据本发明的用于煤液化油临界参数的神经网络模型的获取方法的流程图;以及
[0033]图4是根据本发明的用于煤液化油临界参数的神经网络模型的计算误差测定方法的流程图。
【具体实施方式】
[0034]以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
[0035]本发明采用在有机物临界性质计算方面应用最广的基团贡献法,利用神经网络,将已测窄馏分的基团组成、沸点和临界性质参数作为训练样本输入值对神经网络进行训练。当神经网络经过充分训练以后,获得神经网络模型,利用该神经网络模型,通过输入检验样本的沸点、基团组成,即可计算得到检验样本的临界性质参数。
[0036]优选地,本发明在基团贡献法的基础上利用BP神经网络用于煤液化油窄馏分的临界性质预测。该BP神经网络是基于误差反向传播(Back Propagat1n,BP)算法的人工神经网络。
[0037]图1是根据本发明的用于煤液化油临界参数的神经网络模型的示意图。如图1所示,BP神经网络模型包括三层神经网络结构,即输入层、隐含层和输出层。其中,输入层接受外界数据输入,隐含层对输入数据进行处理和转换,输出层则产生输出结果。
[0038]神经网络中的每一层都包含若干神经元(也称为节点),其输入层和输出层的神经元数由模型中的变量决定。
[0039]本发明中,输入层的变量为窄馏分的常压沸点Tb和不同的基团组成。基团组成包括基团类型及其含量这两重含义,神经网路的输入层的基团类型是所有训练样本所包含的基团类型,每一个基团类型对应一个节点,根据所有窄馏分所包含的N个基团类型作为神经网络的基团输入,再加上沸点Tb,共N+1个输入节点。
[0040]对每一个窄饱分,神经网络的输入为所包含的基团含量,不包含的基团输入为零。
[0041]神经网络的输出层的变量为窄馏分的临界压力Pc、临界温度Tc、临界体积Vc共3个节点。
[0042]隐含层的神经元数即节点数量根据经验选取,隐含层和输出层的激励函数可选择为常用的线性函数或者非线性函数。另外,在计算过程中可根据结果的收敛性,来重新选择激励函数。其中,在常用的激励函数中,S型激励函数:f (X) = l/(l+exp(_x))与本发明较匹配。
[0043]图2是根据本发明的用于煤液化油临界参数的获取方法的流程图。如图2所示,该获取方法包括以下步骤:S12、对煤液化油的窄馏分进行检测,以获取窄馏分的沸点和基团组成;S14、将窄馏分的沸点和基团组成输入神经网络模型,其中,神经网络模型以煤液化油的基团组成和煤液化油的窄馏分的沸点作为输入序列,并且以窄馏分的多个临界参数作为输出序列;S16
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1