一种用于催化重整反应器的建模及多目标优化方法与流程

本发明涉及石油化工领域，尤其是涉及一种用于催化重整反应器的建模及多目标优化方法。

背景技术：

催化重整过程是石油炼制和石油化工过程中的主要工艺过程之一。它是一定操作条件下，将石脑油转变为芳烃(包括苯、甲苯、二甲苯等)或者高辛烷值的优质汽油，并副产氢气的过程。其中，高辛烷值的优质汽油具有很好的抗震性，可以用作航空汽油和车用汽油；芳烃是重要的化工原料，可用作涂料、染料和农药等的原料；副产的氢气是石油化工加氢单元的重要的廉价氢气来源。所以，催化重整在石油化工过程，乃至整个化工行业都有着重要意义。

催化重整反应部分是整个工艺过程中的核心操作单元，反应器的设计与操作条件的选择直接影响着产品的产率与质量。催化重整工艺的反应物组成和反应体系都十分复杂。一种典型的石脑油原料的烃类组分就超过300余种。该过程中发生的典型反应包括环烷烃的脱氢与异构化、烷烃的异构化与脱氢环化、烷烃和环烷烃的脱氢裂化、烷烃和芳烃的脱甲基、芳烃脱烷基等。复杂的反应体系给催化重整过程中的模拟、有效控制和优化都带来了巨大的难度。如何建立合适的机理模型来对催化重整过程中进行模拟，并基于此对操作条件进行优化选择，进而提高产品质量和经济效益，是一个科研与工业应用难点。

目前，基于集总理论构建的催化重整反应动力学模型，并结合平推流反应器模型的建模框架得到了广泛应用，在产品的产率预测方面拥有良好的效果。然而，目前模型仍有以下缺陷：

(1)没有考虑径向反应器存在的催化剂失活现象，而相关研究表明，在反应过程中，催化剂的活性损失可达到30％～45％；

(2)部分文献提出了基于结焦动力学的催化剂失活的处理方法，但该方法是基于偏微分方程组，计算量巨大，难以应用于过程的实时优化；

(3)目前模型多以反应器出口集总组分的出口含量为考察指标，未考虑四段反应器出口温度指标，而这部分对装置的能耗影响很大，需要加以考虑。

技术实现要素：

本发明就是为了克服上述现有技术存在的缺陷而提供一种用于催化重整反应器的建模及多目标优化方法。

本发明的目的之一是提出一种反应器模型的建模方法，提高模型在产品组分和反应器出口温度的预测精度。

本发明的目的之二是提出适用于不同生产目标的多目标优化与决策方法，提高催化重整装置的产品收率和经济效益。

本发明的目的可以通过以下技术方案来实现：

一种用于催化重整反应器的建模及多目标优化方法，包括以下步骤：

S1、考虑催化剂失活影响，构建基于网格化的多区并联平推流模型的催化重整反应器机理模型；

S2、对所述反应器机理模型的参数进行估计校正；

S3、基于经步骤S2校正后的反应器机理模型，构建多目标优化模型，求解获得优化目标的Pareto最优前沿解集，该Pareto最优前沿解集对应一待选最优操作条件集；

S4、根据应用需求从所述待选最优操作条件集中选取目标操作条件。

优选地，所述步骤S1具体包括：

S101、采用划分集总的方法建立催化重整过程的集总反应动力学模型；

S102、构建基于网格化的多区并联平推流模型的反应器模型。

优选地，所述反应器模型具有如下特性：

a、整个反应器包括四段重叠式的径向移动床反应器，每段反应器沿轴向划分成N个区间，每个区间又沿径向划分成P个区间；

b、每段反应器中的每个轴向和径向区间均被视为沿径向的一维平推流模型，且每段反应器的入口处的组分浓度、速度、温度一致；

c、在径向分区中，后一段区间入口处的组分浓度和温度等于前一段出口处的组分浓度和温度；在轴向分区中，同一径向位置上的轴向区间无物质和能量交换；

d、前一段反应器到后一段反应器的组分浓度和温度变化符合理想气体混合规则；

e、催化剂失活的原因包括酸性位点失活和金属位点失活两种；

f、在每个区间内均符合质量守恒定律与能量守恒定律。

优选地，所述步骤S2中，以反应器出口组分质量分率和四段反应器出口温度的加权归一化误差平方和最小为优化目标，对所述反应器机理模型的参数进行估计校正。

优选地，所述步骤S2中，采用正交网格自适应直接搜索方法对所述优化目标进行求解。

优选地，所述步骤S3中，采用多目标遗传算法迭代优化求解所述多目标优化模型。

优选地，所述步骤S4中，目标操作条件通过LD决策方法获得目标操作条件。

优选地，所述目标操作条件的选取步骤包括：

S401，计算Pareto最优前沿解集对于各优化目标的最小值和最大值；

S402，对Pareto最优前沿解集中每个最优解相对于各优化目标的值进行归一化，获得归一化结果；

S403，基于所述归一化结果，选取范数最小的最优解，并将该最优解对应的操作条件作为目标操作条件。

优选地，所述步骤S403，所述范数包括一阶范数、欧氏范数或无穷范数。

与现有技术相比，本发明具有以下有益效果：

1)本发明基于集总反应动力学模型和网格化的多区平推流反应器模型的建模方法，考虑了催化剂失活对反应过程的影响，并均衡预测精度和计算时间对模型的轴向和径向分区数进行了优选，提高了模型在产品组分和反应器出口温度的预测精度。

2)本发明在构建的新型反应器模型基础上，根据工业实际数据，使用正交网格自适应直接搜索方法对机理模型参数进行了校正，进一步提高了模型精度。

3)本发明提出了适用于不同生产目标的多目标优化与决策方法，提高了催化重整装置的产品收率和经济效益。

4)本发明采用LD决策方法获得最后的多目标优化操作条件，结果选取精确性高。

附图说明

图1为本发明方法的流程示意图；

图2为一种典型的连续催化重整反应装置示意图；

图3为27集总反应动力学模型反应网络示意图；

图4为基于网格化的多区平推流模型的催化重整反应器模型示意图；

图5为以芳烃收率最大化和重质芳烃收率最小化为优化目标的Pareto前沿解集示意图；

图6为对应Pareto前沿的优化目标的欧式范数结果图，其中，(6a)为芳烃收率，(6b)为重质芳烃收率；

图7为对应Pareto前沿的优化变量的欧式范数结果图，其中(7a)为第一段反应器入口温度，(7b)为第二段反应器入口温度，(7c)为第三段反应器入口温度，(7d)第四段反应器入口温度，(7e)为氢油比，(7f)为操作压力。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本发明提供一种用于催化重整反应器的建模及多目标优化方法，包括以下步骤：

S1、考虑催化剂失活影响，构建基于网格化的多区并联平推流模型的催化重整反应器机理模型；

S2、对所述反应器机理模型的参数进行估计校正；

S3、基于经步骤S2校正后的反应器机理模型，构建多目标优化模型，求解获得优化目标的Pareto最优前沿解集，该Pareto最优前沿解集对应一待选最优操作条件集；

S4、根据应用需求从所述待选最优操作条件集中选取目标操作条件。

以下对上述步骤进行具体描述。

1、催化重整反应器机理模型构建

催化重整反应器机理模型主要包括集总反应动力学模型和网格化的多区并联平推流反应器模型两部分。

1)集总反应动力学模型

图2是一种典型的连续催化重整反应装置示意图。该装置采用四个重叠式反应器，反应物料与催化剂的流动方向一致，前三个反应器的出口物料通过加热炉加热至目标温度进入后续反应器。第四反应器的出口产品将进入后续工段进行分离提纯，催化剂则需进入再生反应器进行再生。

由于催化重整过程反应物和反应网络复杂，无法对每个反应物和每个反应进行建模研究，故采用划分集总的方法解决催化重整过程中复杂的反应动力学问题。所谓集总方法，就是将反应体系中物化性质和动力学性质相似的组分作为一个虚拟组分进行计算。

本实施例的目标体系为以芳烃为主要生产目标的催化重整过程，故选取了将芳烃组分细分的27集总反应动力学网络构建反应动力学模型。其反应网络图见图3所示。

在27集总反应动力学网络中包括烷烃加氢裂化反应、芳烃烷基化反应、环烷烃异构化反应、环烷烃脱氢裂化反应、烷烃脱氢环化反应等五类反应。对于五类反应，其化学反应方程式表示如下：

烷烃加氢裂化反应：Pc+H2→Pk+Pc-k,j＝1,…,21 (1)

芳烃烷基化反应：Ac+H2→Ak+Pc-k,j＝22,···,36 (2)

烷烃脱氢环化反应:

环烷烃异构化反应:

环烷烃脱氢裂化反应:

其中，j是反应的序号；c和k表示集总组分的碳原子数。

对每个反应，其反应速率方程式可以描述为；

可逆反应：rj＝kjyR,j＝1,…,36 (6)

不可逆反应：

反应速率方程：

其中，rj和kj分别是第j个反应的反应速率和动力学常数；KRP是反应动力学常数；yP和yR分别是第j个反应的产品和反应物的流率；是第j个反应的催化剂活性系数；Aj和Ej分别是第j个反应的指前因子和活化能；R是理想气体常数；T是反应温度；P和P0分别是操作压力和标准大气压；αj是第j个反应的压力系数。

2)网格化的多区平推流反应器模型

为了更加精确地获得催化重整反应器内的集总组分和温度的分布信息，并考虑催化剂失活的影响，提出了基于网格化的多区平推流模型的反应器模型，其示意图如图4所示，该模型特点如下：

a.整个反应器装置包括四段重叠式的径向移动床反应器，每段反应器沿轴向划分成N个区间，每个区间又沿径向划分成P个区间。

b.每段反应器中的每个轴向和径向区间均被视为沿径向的一维平推流模型，且每段反应器的入口处的组分浓度、速度、温度一致。

c.在径向分区中，后一段区间入口处的组分浓度和温度等于前一段出口处的组分浓度和温度。在轴向分区中，假设同一径向位置上的轴向区间无物质和能量交换。

d.前一段反应器到后一段反应器的组分浓度和温度变化符合理想气体混合规则，公式如下：

其中，M代表反应器段号；代表第m+1段反应器的第i个集总组分的入口组分浓度；代表第m段反应器的第i个集总组分的出口组分浓度；代表第m段反应器中第n个轴向分区最后一个径向分区中的第i个集总组分的出口组分浓度；代表第m段反应器的出口组分浓度和温度；代表第m段反应器中第n个轴向分区最后一个径向分区中的出口组分温度。

e.催化剂失活的原因包括酸性位点失活和金属位点失活两种，其活性随轴向距离和径向距离的变化公式如下：

其中，h为反应器的轴向位置；z为反应器的径向位置；ametal,h和bmetal,h分别是金属活性位点在轴向方向的失活因子；ametal,z和bmetal,z分别是金属活性位点在径向方向的失活因子；aacid,h和bacid,h分别是酸性活性位点在轴向方向的失活因子；aacid,z和bacid,z分别是酸性活性位点在径向方向的失活因子；和分别代表催化剂在金属位点和酸性位点的活性系数。

不同反应的失活原因如表1所示。其中，同时受酸性位点失活和金属位点失活影响的反应，其催化剂活性系数认为是酸性位点活性系数和金属位点活性系数的均值。

表1 27集总反应动力学模型中不同反应发生的催化剂活性位点表

f.在每个区间内均符合质量守恒定律与能量守恒定律。其公式如下：

质量守恒定律：

能量守恒定律：

其中，z(mp)是在第m段反应器中第p个径向区间的径向长度；Q(nmp)是第m段反应器中第n个轴向区间中第p个径向区间的流量；ΔrHj是第j个反应的反应焓；cp,i是第i个集总组分的比热容。

2、模型参数估计

在本实施例建立的催化重整反应器模型中，共涉及124个参数，包括52个反应对应的指前因子(A1,…,A52)、52个反应对应的活化能(E1,…,E52)、16个反应平衡常数(KRP,1,…,KRP,16)和4个催化剂活性系数(aacid,bacid,ametal和bmetal)。为了提高模型的预测精度，采用工业实际装置的数据对模型参数进行估计校正。参数估计的优化目标为反应器出口组分质量分率和四段反应器出口温度的加权归一化误差平方和最小，即

其中，和分别是第四段反应器出口第i个集总组分质量分率的模型计算值和工业实际值；和分别是第m段反应器的出口温度的模型计算值和工业实际值；wi和wm分别是第i个集总组分质量分率和第m段反应器的出口温度的权重。

针对该问题，采用正交网格自适应直接搜索方法对问题进行求解。具体实施方案如下：

a.首先通过敏感度分析的方法分析每个参数的相对重要性，然后根据其相对重要性将参数分成两组。

b.然后把相对重要性比较小的参数当成固定值，对相对重要性比较大的参数进行优化。

c.最后，对所有124个参数进行优化估计。

3、多目标操作优化框架

在催化重整反应过程中，催化重整反应的主要影响变量包括物料流量、各反应器入口温度、操作压力、氢油比等。但在实际运行过程中，物料流量受制于生产计划，不宜轻易更改。而反应器入口温度操作压力、氢油比等操作变量易于调控，且对反应速率和反应平衡的影响较大，故可选用各段反应器作为优化模型的优化变量。在本实施例中选取四段反应器的入口温度(T1，T2，T3，T4)、氢油比(HC)、操作压力(P)作为优化变量。

而在操作过程中，生产目标一般不是单一的，需要对不同目标进行均衡，可以采用的优化目标有：

a.芳烃收率YA最大。

b.轻质芳烃收率YLA最大。

c.氢气收率YH最大。

d.重质芳烃收率YHA最小。

e.轻质烷烃收率YLP最小。

f.四个换热器能耗EC最小。

优化目标根据实际生产计划进行选择。在本实施例中选取芳烃收率YA最大和重质芳烃收率YHA最小。

基于校正后的机理模型，基于选定的优化变量和优化目标构建多目标优化模型，本实施例中多目标优化模型的函数表达式为：

其中，Xlb、Xub分别为操作条件的上下界，范围根据实际操作情况确定。本实施例中，Xlb、Xub分别为：

Xlb＝[788,788,788,788,1.5,0.5]

Xub＝[808,808,808,808,2.5,0.55]

基于上述构建的多目标优化模型，运用多目标遗传算法，对模型执行迭代优化，从而获得优化目标的Pareto最优前沿解集，对应一待选最优操作条件集。计算获得的Pareto最优前沿解集如图5所示。

4、目标操作条件决策

通过决策方法从获得的待选最优操作条件集中选取目标操作条件。具体的，本实施例采用LD(Level diagrams)决策方法获得最后的多目标优化操作条件。具体决策步骤如下：

a.在获得的m个优化目标Pareto最优前沿解集中，求出每个优化目标的最小值和最大值。公式如下：

其中，X^*是多目标优化获得的Pareto最优前沿解集；和分别是第m个优化目标的最大值和最小值。

b.然后根据最大值和最小值，对优化目标进行归一化。公式如下：

其中，为归一化结果。

c.若优化模型为最小化问题，则值越小，代表解决方案相对于第m个目标越接近理想点。三种范数形式被用来评估Pareto前沿解集与理想点之间的接近程度，分别是：一阶范数、欧氏范数和无穷范数，其公式分别如下：

本实施例采用欧式范数进行计算。

d.选择欧式范数最小，获得该决策方法下的最优解及其对应的目标操作变量。本实施例最后选取的目标操作变量为：

x＝[807.46,805.10,807.78,807.94,1.525,0.502]

对应的芳烃收率和重质芳烃收率分别为63.17％和20.02％。图6和图7分别是对应Pareto前沿的优化目标和优化变量的欧式范数结果图。

本实施例完成了针对催化重整过程的网格化的多区平推流反应器模型的构建，并基于多目标优化模型对操作变量进行优化，并采用了决策方法选取了最优操作变量。利用该方法建立的模型产品组分和反应器出口温度预测性能更好，并且可以用于操作条件优化和决策。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。