以BP神經網絡為基礎的MIP工藝過程產品分布優化

歐陽福生，方偉剛，唐嘉瑞，江洪波

(華東理工大學石油加工研究所，上海 200237)

以BP神經網絡為基礎的MIP工藝過程產品分布優化

歐陽福生，方偉剛，唐嘉瑞，江洪波

(華東理工大學石油加工研究所，上海 200237)

催化裂化是一個高度非線性和強耦合的系統，傳統的機理模型很難描述，而BP神經網絡具有強大的非線性擬合和自學習能力。以某煉油廠1.0 Mt/a的MIP裝置反應-再生系統為研究對象，選取包括原料油性質、再生劑性質、操作條件的19個變量為神經網絡模型的輸入變量，液化氣、汽油、柴油、焦炭收率為輸出變量，建立了19-24-4結構的BP神經網絡。在此基礎上，考察了原料油預熱溫度、第一反應區出口溫度、第二反應區出口溫度、反應壓力對產品分布的影響，并采用遺傳算法得到使汽油收率最優的操作條件。結果表明，所建立的模型具有良好的預測和外推能力，可為工業裝置操作條件的優化提供指導。

催化裂化 MIP工藝 BP神經網絡 遺傳算法

催化裂化是重油輕質化的主要工藝，該工藝在高溫和催化劑的作用下將蠟油和重油轉化成液化氣、汽油、柴油等輕質油品。我國催化裂化裝置所生產的汽油和柴油分別占成品汽油和柴油總量的70%和30%左右，所生產的丙烯約占丙烯總量的40%[1]。近年來，為了解決汽油烯烴含量偏高的問題，國內外開發了一系列的催化裂化工藝[2]，MIP工藝就是非常有代表性的工藝之一，它廣泛用于清潔汽油的生產。

從20世紀60年代開始，國內外就通過建立催化裂化機理模型來指導和優化生產操作。然而，由于工業催化裂化裝置反應-再生系統中各操作變量具有極強的非線性和耦合性，很難獲得精確的機理模型[3]。人工神經網絡是模仿大腦神經網絡結構和功能而建立的一種黑箱模型，自1982年Hopfield教授將能量函數的概念引入人工神經網絡并提出了Hopfield人工神經網絡模型后[4]，三十多年來神經網絡得到了快速的發展。神經網絡具有強大的自適應、自組織、自學習和非線性擬合能力，并且神經網絡的建立無需提前掌握物理或化學的過程機理，因此它在化工領域，尤其是在一些復雜過程中得到了廣泛的應用[5-6]，其中BP神經網絡是一種按誤差逆向傳播的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。本課題以某煉油廠1.0 Mt/a的MIP裝置反應-再生系統為研究對象，選取包括原料油性質、再生劑性質、操作條件的19個變量為神經網絡模型的輸入變量，液化氣、汽油、柴油、焦炭收率為輸出變量，建立19-24-4結構的BP神經網絡，在此基礎上考察原料油預熱溫度、第一反應區(一反)出口溫度、第二反應區(二反)出口溫度、反應壓力對產品分布的影響，并采用遺傳算法得到使汽油收率最優的操作條件。

1 MIP工藝簡介

MIP工藝由中國石化石油化工科學研究院(石科院)開發，該工藝改進反應器結構，進行二次反應，通過對裂化反應、氫轉移反應和異構化反應等進行控制與選擇，可降低催化裂化汽油的烯烴含量，并且能夠多產異構烷烴，從而實現對催化裂化反應產品分布的改善[7-10]。

MIP工藝的反應提升管分為2個反應區，其中，一反的反應條件為高溫、高劑油比、短接觸時間，比普通的催化裂化反應條件苛刻，此反應區中重質原料油快速裂化生成烯烴，可減少低辛烷值的正構烷烴和環烷烴的生成；二反的提升管管徑和高度都大于一反，一反生成的烯烴在此反應區進行反應，而從反應沉降器循環到二反的一部分熱再生催化劑與進入二反的冷卻介質相互混合，可降低二反的反應溫度，延長烯烴反應時間，從而促進異構烷烴和芳烴的生成，提高因烯烴減少而降低的汽油辛烷值。

2 數據收集

以國內某煉油廠1.0 Mt/a MIP裝置的反應-再生系統為研究對象，該裝置配備了LIMS系統(Laboratory Information Management System)和DCS系統(Digital Control System)。根據MIP工藝和現場數據靈敏度分析，決定采用LIMS系統的原料油密度(ρ)、飽和烴含量(wSH)、芳烴含量(wAH)、瀝青質+膠質含量(wAR)、鎳含量(wNi)、釩含量(wV)、殘炭(CR)，再生劑的微反活性指數(AI)、碳含量(CC)，DCS操作系統的原料油預熱溫度(Tph)、一反出口溫度(Tr1)、二反出口溫度(Tr2)、燒焦罐溫度(Trg)、反應壓力(Pr)、再生壓力(Prg)、新鮮原料量(Q1)、回煉油流量(Q2)、汽提蒸汽流量(Q3)、預提升蒸汽流量(Q4)為變量，考察它們對液化氣收率(LPG)、汽油收率(GS)、柴油收率(DI)和焦炭產率(CK)的影響。LIMS系統分析頻次為1次/周，共采集14組數據；DCS系統采集頻次約為10 s/次，將采集到的DCS數據處理成12 h均值，共得到160組數據。來自LIMS系統的原料和催化劑性質數據見表1，來自DCS系統的反應-再生操作條件及產品分布數據見表2。將160組DCS數據和14組LIMS數據按照時間組成160組樣本，隨機取128組作為神經網絡的訓練樣本，32組作為神經網絡的驗證樣本。

表1 14組原料和催化劑的性質數據

表2 來自DCS系統的反應-再生操作條件及產品分布數據

3 BP神經網絡模型的建立

3.1 BP神經網絡

典型的BP神經網絡包含3層：輸入層、隱含層、輸出層，每一層由若干神經元(節點)組成，每一個神經元的作用是計算該神經元所有輸入的權重和，并通過特定的輸出函數-激勵函數輸出。激勵函數一般是非減和可微函數，最常用的激勵函數是S函數和線性函數，S函數方程式為：

(1)

S函數一般用于隱含層神經元的激勵函數，它可以將神經元的輸入范圍從(-∞，+∞)映射到(-1，+1)。線性函數方程式為：

f(x)=x

(2)

線性函數一般用于輸出層神經元的激勵函數，它可以處理和逼近輸入與輸出的非線性關系。

BP神經網絡的學習過程是由信息的正向傳播和誤差的反向傳播兩個過程組成的。外界的輸入信息通過輸入層、隱含層和輸出層的計算后得到實際結果，當實際結果和期望結果不符時，按誤差梯度下降的方式修正各層權值，并向隱含層和輸入層反向傳播。不斷反復的信息正向傳播和誤差反向傳播過程是各層權值不斷調整的過程，也是神經網絡不斷學習的過程，直到網絡輸出與實際輸出誤差達到精度以內或者是網絡學習達到預先設定的學習次數為止[11]。

3.2BP神經網絡模型的結構

本研究的反應-再生系統模型采用3層網絡結構，輸入層的神經元包括原料油和再生劑性質數據以及反應-再生系統操作變量，共19個，包括ρ，wSH，wAH，wAR，wNi，wV，CR，AI，CC，Tph，Tr1，Tr2，Trg，Pr，Prg，Q1，Q2，Q3，Q4；輸出層神經元的個數為 4 個，包括 LPG，GS，DI，CK。神經網絡最重要的任務是確定隱含層神經元的個數，因為隱含層神經元個數對BP神經網絡預測精度有較大的影響，神經元個數太多時，訓練時間增加，網絡容易過擬合；而節點數太少時，網絡不能很好地學習，需要增加訓練次數。隱含層神經元個數計算式為：

(3)

式中：H為隱含層神經元個數；m為輸入層神經元個數；n為輸出層神經元個數；L為1～10之間的常數。

由于神經網絡中的大量并行分布結構和非線性動態特性，式(3)在實際計算時難以取得理想的效果。為了找到最優的網絡結構，本研究將神經元個數由10逐漸增加到30，選取不同的隱含層神經元個數建立不同的神經網絡，將所選擇的訓練數據導入神經網絡模型進行訓練，然后檢驗模型，并比較每次的均方誤差，結果見圖1。由圖1可知，最佳隱含層神經元個數為24。因此，本研究建立19-24-4結構的BP神經網絡。

3.3 BP神經網絡的建模結果

32組模型驗證樣本的相對誤差統計見表3。由表3可知：液化氣、柴油收率和焦炭產率的相對誤差只有4組樣本大于10%，而小于5%的樣本占多數；汽油收率的相對誤差較小，除1組樣本大于5%外，其余樣本的相對誤差都在5%以內；液化氣、汽油、柴油收率和焦炭產率的平均相對誤差都小于5%，說明所建立的神經網絡模型的外推性較好。

表3 32組驗證樣本的相對誤差統計

4 模型的預測性能

采用本研究建立的神經網絡模型，以第14組LIMS樣本數據為基礎，考察原料油預熱溫度、反應溫度和反應壓力對產品分布的影響；以第12、13和14組LIMS數據為基礎，使用遺傳算法對汽油收率進行優化。

4.1 原料油預熱溫度對產品分布的影響

在一反出口溫度511 ℃、二反出口溫度503 ℃、反應壓力214.8 kPa的條件下，考察原料油預熱溫度對產品分布的影響，結果見圖2。由圖2可以看出，隨著原料油預熱溫度的升高，汽油和柴油的收率略有提高，液化氣收率和焦炭產率略有下降。

圖2 提升管產品分布與原料油預熱溫度的關系

4.2 反應溫度對產品分布的影響

在原料油預熱溫度252 ℃、反應壓力214.8 kPa的條件下，考察一反出口溫度和二反出口溫度對產品分布的影響，結果見圖3和圖4。由圖3和圖4可以看出，隨著溫度的升高，柴油的收率明顯下降，汽油的收率先上升后下降、存在極大值，液化氣和焦炭的產率明顯上升，這與催化裂化反應規律相符。因此，反應溫度不宜過高或過低，應盡量控制一個適宜的溫度以獲得較高的汽油收率并盡量減少氣體和焦炭產率。

圖3 提升管產品分布與一反出口溫度的關系

圖4 提升管產品分布與二反出口溫度的關系

4.3 反應壓力對產品分布的影響

在原料油預熱溫度252 ℃、一反出口溫度511 ℃、二反出口溫度503 ℃的條件下，考察反應壓力對產品分布的影響，結果見圖5。由圖5可以看出，隨著反應壓力的提高，柴油收率略有下降，液化氣、汽油和焦炭的產率略有上升。因此提高反應壓力有利于優化產品分布，但是反應壓力的調整應考慮反應-再生系統的壓力平衡。

圖5 提升管產品分布與反應壓力的關系

4.4 采用遺傳算法優化反應-再生系統的操作條件

遺傳算法(Genetic Algorithm，GA)是模擬自然界生物進化機制的一種算法，即遵循適者生存，優勝劣汰的法則[12]。它的特點是對參數進行編碼運算，不需要任何先驗知識，可以沿著多種路徑進行平行搜索，不會陷入局部較優，能夠找到全局最優點[13]。遺傳算法的實施步驟分為種群初始化、適應度函數選取、選擇操作、交叉操作和變異[14]。該方法首先隨機地產生一些個體組成初始化種群，即問題的一群候選解，再根據個體適應度進行選擇操作，淘汰適應度低的個體，留下適應度高的個體，然后進行交叉操作和變異操作并產生進化了的一代群體。如此反復操作，向更優解方向進化，最后得到滿足某種收斂條件的最適應問題環境的群體，從而獲得問題的最優解。以BP神經網絡模型為基礎，采用遺傳算法優化反應-再生系統的操作條件，以提高汽油收率。

在汽油收率尋優過程中，采用50個初始種群，并設定迭代次數為100。在計算極值的過程中把訓練后的BP神經網絡預測結果作為個體適應度值，計算式如下：

Fi=ygi

(4)

式中：Fi為個體i的適應度值；ygi為個體i汽油收率的神經網絡預測值。

采用輪盤賭法選擇個體，它是選擇適應度所占比例較大的個體進入下一代，計算式如下：

fi=k/Fi

(5)

(6)

式中：k為系數；N為種群數目。

交叉操作是產生新個體的主要方式，但是隨機選擇個體交叉操作會導致有效基因的缺失[15]，交叉概率一般在0.6～0.9之間，本研究交叉概率采用0.6；變異操作可以為種群提供新的基因，變異概率通常較小，一般在0～0.1之間，本研究變異概率采用0.05。

以第12、13和14組LIMS樣本數據為基礎，即保持原料性質、再生劑性質不變，同時保持新鮮原料量不變，尋找使汽油收率最優的操作條件。然而，如果只是單純使用遺傳算法尋優，其最終結果可能與反應機理不符，因此在尋優過程中加入約束條件，剔除違背操作或者違背原理的數據。本研究的約束條件為：

Tr1>Tr2

(7)

即保證尋優過程中一反出口溫度大于二反出口溫度。操作條件的尋優上下限以及優化結果見表4。從表4可以看出，以第12、13和14組LIMS樣本數據為基礎，通過對9個操作條件進行優化，汽油收率均有提高的空間。

表4 操作條件的優化結果

5 結 論

(1) 以工業數據為基礎，在深入分析催化裂化MIP工藝的前提下，選取了包括原料油性質、再生劑性質和操作條件的19個變量，建立了19-24-4結構的BP神經網絡模型，結果表明，預測值和實際值擬合良好，說明所建立的神經網絡模型可靠性較高。

(2) 以神經網絡模型為基礎，采用遺傳算法進行優化，可獲得較優的汽油收率下的反應-再生系統操作條件。

[1] 許友好.我國催化裂化工藝技術進展[J].中國科學，2014，44(1)：13-24

[2] 許友好.催化裂化化學與工藝[M].北京：科學出版社，2013：22-31

[3] Michalopoulos J，Papadokonstadakis S，Arampatzis G，et al.Modelling of an industrial fluid catalytic cracking unit using neural networks[J].Chemical Engineering Research and Design，2001，79(2)：137-142

[4] Hopfield J J.Neural networks and physical systems with emergent collective computational abilities[J].Proceedings of the National Academy of Sciences，1982，79(8)：2554-2558

[5] Zendehboudi S，Ahmadi M A，James L，et al.Prediction of condensate-to-gas ratio for retrograde gas condensate reservoirs using artificial neural network with particle swarm optimization[J].Energy & Fuels，2012，26(6)：3432-3447

[6] Zamaniyan A，Joda F，Behroozsarand A，et al.Application of artificial neural networks (ANN) for modeling of industrial hydrogen plant[J].International Journal of Hydrogen Energy，2013，38(15)：6289-6297

[7] 許友好，張久順，龍軍，等.多產異構烷烴的催化裂化工業技術開發與應用[J].中國工程科學，2003，5(5)：55-58

[8] Tang Jinlian,Gong Jianhong,Xu Youhao.Flexibility of MIP technology[J].China Petroleum Processing and Petrochemical Technology,2015,17(3):39-43

[9] 唐津蓮，崔守業，程從禮.MIP技術在提高液體產品收率上的先進性分析[J].石油煉制與化工,2015,46(4):29-32

[10]曾宿主，解增忠，許友好.生產滿足國Ⅴ排放標準汽油的技術路線及其效益分析[J].石油煉制與化工,2015,46(8):7-11

[11]史忠植.神經網絡[M].北京：高等教育出版社，2009：48-56

[12]邊霞，米良.遺傳算法理論及其應用研究進展[J].計算機應用研究，2010，27(7)：2425-2429

[13]梁昔明，秦浩宇，龍文.一種求解約束優化問題的遺傳算法[J].計算機工程，2010，36(14)：147-149

[14]李敏強.遺傳算法的基本理論與應用[M].北京：科學出版社，2002：26-44

[15]章權，周偉，溫慧英，等.經營性高速公路停止收費后運營成本預測模型[J].長安大學學報(自然科學版)，2011，31(6)：90-93

OPTIMIZING PRODUCT DISTRIBUTION OF MIP PROCESS USING BP NEURAL NETWORK

Ouyang Fusheng， Fang Weigang， Tang Jiarui， Jiang Hongbo

(ResearchInstituteofPetroleumProcessing，EastChinaUniversityofScienceandTechnology，Shanghai200237)

Fluid catalytic cracking (FCC) is a highly non-linear and strong coupled operation system and is too hard to be described by traditional mechanism model. The artificial neural network provides a promising way to solve the problem because of its strong nonlinear prediction and self-learning ability. In a practical application of this method for a 1.0 Mt/a MIP unit， a 19-24-4 type of BP neural network to predict the yields of liquid petroleum gas (LPG)， gasoline， diesel and coke was established using nineteen input variables including properties of feedstock， regenerated catalyst and operating variables. Based on the BP neural network， the influences of the feedstock preheating temperature， outlet temperatures of two reaction zones and reaction pressure on product distribution were investigated and the operating variables were optimized using genetic algorithm(GA) with a view to maximize gasoline yield. The predicted results agree well with industrial data and a significant improvement in the gasoline yield is gained under the optimized conditions.

fluid catalytic cracking； MIP process； BP neural network； genetic algorithm

2015-09-22； 修改稿收到日期：2015-12-16。

歐陽福生，博士，教授，研究方向為煉油與石油化工。

歐陽福生，E-mail：ouyfsh@ecust.edu.cn。