、输出窄馏分的多个临界参数的数值。
[0044]在本发明中，神经网络模型是经过训练后得到的。首先选择一定量的窄馏分作为神经网络的训练样本，对其临界参数进行预分析，例如通过关联式计算或仪器分析得到，从而得到用于神经网络训练的输入序列和输出序列。在确定了网络模型的结构后，利用训练样本得到的输入序列和输出序列训练神经网络，收敛后通过测试，从而获得可对新的窄馏分的临界性质进行预测的神经网络模型。
[0045]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。如图3所示，神经网络模型的获取方法包括以下步骤:S22、将煤液化油分割为多个窄馏分；S24、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；S26、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；S28、在神经网络收敛后停止训练，以获得神经网络模型。
[0046]在步骤S26中，对神经网络的训练是为了调整权重因子(或者称为系数)，直到对于给定的输入信号所得到的输出模式或输出值与所期望的结果相匹配为止。具体训如下:
(I)初始化，即随机设置各层权重系数和值；(2)将训练样本数据加到网络输入端，计算各层的输出值，将输出值与期望值相比得到误差信号；(3)根据误差信号重新调整连接权重；
(4)如果小于预定误差，则认为网络已收敛而停止训练，反之则返回继续训练。
[0047]另外，还选择一些窄馏分用于对神经网络模型的计算误差进行测定。
[0048]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误差测定方法的流程图。如图4所示，该误差测定方法包括以下步骤:S32、将检验样本的的沸点和基团组成作为输入序列输入神经网络模型；S34、输出检验样本的临界参数；S36、将神经网络模型输出的多个临界参数的数值与预先获得的检验样本的多个临界参数的数值进行比较，以测定神经网络模型的计算误差。
[0049]通过以上方式，可以获得神经网络模型的计算误差，该计算误差可用于评估该神经网络模型及其计算结果的可靠性。
[0050]应用实例
[0051]步骤一:数据收集
[0052]I)采用实沸点蒸馏装置对煤液化产物进行窄馏分分割，得到17个窄馏分，其中13个窄馏分定义为训练样本，其余4个为检验样本；优选地，按照沸点从低到高的顺序排列，相邻两个检测样本之间间隔有训练样本。
[0053]2)采用气相色谱-质谱联用仪(GC-MS)检测训练样本中基团组成，共得到40种类型的基团及其含量。
[0054]3)分别采用密度计和蒸汽压渗透仪测量13个训练样本的密度和分子量，然后通过改进的Riaz1-Daubert经验关联式计算训练样本的临界参数。
[0055]改进的Riaz1-Daubert经验关联式:
[0056]临界温度:TC=18.293Tb0 59525 P 0 34742---------(I)
[0057]临界压力:PC=0.29515X 10 V2-2082 P 2-2209--------(2)
[0058]临界体积:Vc= 0.82238 X KT4Tb2.5111 P -1.6221------------(3)
[0059]其中，Tb为常压沸点，P为20°C下的密度，g/cm3。
[0060]步骤二:神经网络训练
[0061]I)输入层:输入值为训练样本的平均沸点值和该样本中40个基团数值，其中，基团A输入值为GC-MS中A的含量值，若含量为零则输入值为零。
[0062]2)输出层为采用改进的Riaz1-Daubert经验关联式计算得到的13个训练样品的临界压力、临界温度、临界体积。
[0063]3)隐含层为单层结构，其神经元数量通过试差法确定，最终确定为41X20X3的网络结构。通过多次训练，通过调整均方根误差值来停止训练。
[0064]步骤三:模型应用
[0065]利用得到神经网络对另外4个检验样本的沸点、基团组成数据进行计算，预测其临界性质，即临界压力、临界温度和临界体积。结果显示与采用改进的Riaz1-Daubert经验关联式得到的数值相比，相对误差为3.5%。
[0066]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:
[0067]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。
[0068]2)人工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。
[0069]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。而在神经网络算法可以增加新的基团为输入节点，扩大网络的估算范围。
[0070]以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
【主权项】
1.一种用于煤液化油临界参数的获取方法，其特征在于，包括以下步骤: 对煤液化油的窄馏分进行检测，以获取所述窄馏分的沸点和基团组成；以及 将所述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，以获得所述窄馏分的多个临界参数的数值， 其中，所述神经网络模型以煤液化油的基团组成和所述煤液化油的窄馏分的沸点作为输入序列，并且以所述窄馏分的多个临界参数作为输出序列。
2.根据权利要求1所述的用于煤液化油临界参数的获取方法，其特征在于，所述多个临界参数为临界温度、临界压力和临界体积。
3.根据权利要求1所述的用于煤液化油临界参数的获取方法，其特征在于，所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； 检测所述多个窄馏分中的各窄馏分的沸点和基团组成，并且获取所述各窄馏分的多个临界参数的数值； 将所述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； 在所述神经网络收敛后停止训练，以获得所述神经网络模型。
4.根据权利要求3所述的用于煤液化油临界参数的获取方法，其特征在于，所述神经网络模型的训练还包括将所述多个窄馏分中的另一部分作为检验样本，将所述检验样本的沸点和基团组成输入到利用所述训练样本训练后的所述神经网络模型中，根据所述神经网络模型的输出来测定所述神经网络模型的预测误差。
5.根据权利要求3所述的用于煤液化油临界参数的获取方法，其特征在于，所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，所述训练样本的所述临界温度、临界压力和临界体积分别由以下公式获得:Tc= 18.293T b°- 59525 P 0-34742 ； Pc= 0.29515X 10 V2-2082 P 2-2209; Vc = 0.82238 X 10_4Tb2_5111 P _1 6221，其中，Tc为临界温度，P。为临界压力，V。为临界体积， Tb为沸点温度，P为20°C下的密度。
6.根据权利要求3所述的用于煤液化油临界参数的获取方法，其特征在于，所述神经网络为BP神经网络，包括输入层、隐含层和输出层。
7.根据权利要求6所述的用于煤液化油临界参数的获取方法，其特征在于，所述煤液化油的基团数量为40个，所述临界参数为3个，所述BP神经网络的输入层的节点数为41个，所述输出层的节点数为3个。
8.根据权利要求6所述的用于煤液化油临界参数的获取方法，其特征在于，所述隐含层为一层，所述隐含层的节点数为20个。
9.根据权利要求1至3中任一项所述的用于煤液化油临界参数的获取方法，其特征在于，所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馏获得。
10.根据权利要求1至3中任一项所述的用于煤液化油临界参数的获取方法，其特征在于，所述窄馏分的基团组成利用气相色谱-质谱联用仪测得。
【专利摘要】本发明公开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。与单一的基团贡献法相比，发明还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。
【IPC分类】G06N3-02, G01N25-02, G01D21-02
【公开号】CN104569035
【申请号】CN201510058745
【发明人】曹雪萍, 单贤根
【申请人】神华集团有限责任公司, 中国神华煤制油化工有限公司, 中国神华煤制油化工有限公司上海研究院
【公开日】2015年4月29日
【申请日】2015年2月4日