石腦油裂解產物分布支持向量機模型的建立

張利軍，王國清

（中國石化 北京化工研究院，北京 1 0 0 0 1 3）

石腦油裂解產物分布支持向量機模型的建立

張利軍，王國清

（中國石化 北京化工研究院，北京 1 0 0 0 1 3）

選擇工業上常用的石腦油物性參數和對裂解產物分布影響較大的裂解工藝參數等16個參數作為輸入參數，以裂解產物分布中的24種產物收率作為輸出結果，通過支持向量機（SVM）回歸建立了石腦油裂解反應的經驗模型。經過訓練樣本訓練獲得預測模型，比較模型的預測結果與預測樣本，模型的預測結果與實驗數據基本相符。采用SVM模型對工業裂解爐進行預測并與實際工業數據進行對比，模型預測結果與工業數據基本相符，偏差小于5%。模型能夠用于裂解爐的優化控制。

石腦油；支持向量機；裂解反應；模型

在乙烯工業生產中，工藝流程的模擬及優化逐漸成為一種有效提高乙烯產量與企業效益的重要輔助手段，對裂解爐的模擬是整個流程模擬中最重要的部分，而裂解反應動力學模型則是整個裂解爐模擬的核心［1-2］。因此，裂解反應模型成為研究的重點。

經驗模型是裂解反應模型的重要類型之一，經驗模型發展初期，往往是以少數幾種原料或工藝參數與乙烯、丙烯收率等關聯，這種建立模型的方法簡單實用但適應性較差。近年來，隨著數學和計算機技術的發展，更多的研究者利用神經網絡等新技術建立模型，能夠關聯更多的輸入參數和輸出參數，同時能夠利用工業數據進行模型的學習和校正，使得這類模型在自動控制及優化等方面重現了生機。

隨著以非線性大規模并行分布處理為主流的神經網絡技術的發展和應用，越來越多的研究者利用神經網絡［3］、支持向量機（SVM）［4］等技術對裂解反應模型進行研究和改進，王國清等［5］應用BP神經網絡對石腦油裂解產物收率進行模擬，該模型以大量的實驗數據為基礎，通過模型的學習和訓練，預測值與實驗值的誤差僅為5%。與通常的回歸模型相比，該模型計算精度略高，但如果超出模型的學習和訓練范圍，模型的預測值與實驗值差距較大。黃一俞等［6］同樣應用神經網絡將工業裂解爐的進料量、稀釋比、入口溫度、出口溫度、燃料氣流量、煙氣橫跨溫度、煙氣溫度等與乙烯、丙烯收率進行關聯，計算結果與工業實際基本符合。

隨著統計學理論的發展，在小樣本情況下建立經驗模型成為可能。王清江等［7］在乙烯裝置生產經營數據的基礎上，采用SVM方法建立了模型，實現了生產計劃、調度的優化，提高了生產經營計劃的準確性。陳貴華等［8］采用最小二乘SVM（LSSVM）方法將裂解原料、工藝參數與裂解深度進行關聯，得到了裂解深度的模型，與實際工業基本相符。劉佳等［9］采用PSO-LS-SVM（PSO為微粒群算法）方法對裂解爐乙烯收率進行了建模，得到了與實際相符的模型。上述模型均僅對裂解爐的某個參數或某幾個參數進行建模，并非完整的裂解產物分布模型，

本文工作利用SVM方法建立裂解產物分布模型，通過有限的實驗數據進行模型訓練，并在工業試驗中得到驗證。

1 模型的建立

1.1 SVM方法介紹

SVM方法建立在統計學習的VC維理論和結構風險最小原理的基礎上，根據有限的樣本信息在模型的復雜性（即對特定訓練樣本的學習精度）和學習能力（即無錯誤地識別任意樣本的能力）之間尋求最佳折衷，以期獲得最好的推廣能力。

SVM是Cortes和Vapnik于1995年首先提出的［10］，它在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢［11-14］。首先，它是專門針對有限樣本情況的，目標是得到現有信息下的最優解而不僅僅是樣本數趨于無窮大時的最優值；其次，算法最終將轉化成為一個二次型尋優問題，從理論上，得到的將是全局最優點，解決了在神經網絡方法中無法避免的局部極值問題；最后，算法將實際問題通過非線性變換轉換到高維的特征空間，在高維空間中構造線性判別函數來實現原空間中的非線性判別函數，特殊性質能保證機器有較好的推廣能力，同時巧妙地解決了維數問題，它的算法復雜度與樣本維數無關。

目前，SVM算法在模式識別、回歸估計、概率密度函數估計等方面都有應用。在裂解反應模型中采用SVM算法，主要是基于小樣本情況下的訓練模型能較好推廣到更大的范圍內應用而不至于失真。

1.2 模型參數分類

采用SVM方法建立石油烴熱裂解反應模型首先需要對模型的輸入輸出進行定義和分類，通常模型的輸入參數分為兩類：裂解原料的物性參數和裂解爐的工藝參數，將工業上常用的這兩類參數經過篩選和簡化后可作為輸入參數；輸出參數則是希望通過模型得到的數據，通常裂解產物收率是最希望得到的，因此將24種裂解產物收率作為模型的輸出參數。

目前工業上對石腦油日常分析的項目通常為石腦油密度（20 ℃）、ASTM餾程（初餾點（IBP）、10%餾點、30%餾點、50%餾點、70%餾點、90%餾點、終餾點（EP））、族組成（正構烷烴含量（NP）、異構烷烴含量（IP）、烯烴含量（O）、環烷烴含量（N）、芳烴含量（A））。為了便于裂解反應動力學模型的工業應用，按照烯烴廠日常分析項目的內容重新組建了石腦油樣本，即石腦油物性為密度（20 ℃）、ASTM餾程（IBP、10%、30%、50%、70%、90%、EP）、族組成（NP、IP、N、A），族組成中O一般低于1%（w），且與NP、IP、N、A歸一，因此舍棄O這一物性參數，因此，模型共選原料物性參數12個。工業上，一般對裂解產物產生影響顯著又能夠調節控制的工藝條件包括輻射段出口溫度（COT）、輻射段出口壓力（COP）、水油比、停留時間，因此，選用這4個工藝參數作為輸入參數。綜上所述，模型共選用16個輸入參數，包括12個物性參數和4個工藝參數。

有了輸入和輸出參數后，建立完整的SVM模型還需要有適量的樣本數據，樣本數據可分為兩部分：大部分作為訓練樣本，剩余部分則作為預測樣本。將訓練樣本數據輸入SVM程序數據庫中，然后調用訓練程序，待訓練結束后自動生成石腦油熱裂解反應動力學模型；將預測樣本的石腦油物性和工藝條件輸入預測程序中，可以計算出該石腦油在此工藝條件下的裂解產物收率。將預測樣本的計算結果與實驗值進行比較分析，可以對預測模塊的性能進行測試。

1.3 模型訓練

基于SVM的回歸分析原理編制了模型程序，包括三個部分：數據庫、訓練程序、預測程序。數據庫里保存訓練樣本的數據，為訓練程序提供基礎數據；訓練程序將自動讀取數據庫提供的數據進行學習訓練，對訓練樣本的規律進行模式識別，最終將其歸納進模型并將該模型信息保存在相應的文件中；預測程序是將石腦油物性和工藝條件變量輸入模型中，根據輸入的變量進行計算并輸出計算結果。將石腦油訓練樣本輸入SVM程序的數據庫中，然后調用訓練程序對其進行訓練，訓練完畢后調用預測程序對預測樣本數據進行預測。SVM回歸的基本原理如下：

對于輸入參數向量x（在此為16維的油品物性及工藝參數），尋找一個線性的超平面，對訓練數據進行最佳預測：

訓練求解的目標函數及約束如下：

式中，w是法向量；b是超平面截矩；yi是訓練中的輸出結果向量；i是訓練樣本標號；N表示訓練樣本個數。在求解后，w以l個支撐向量xj的線性組合表示，組合因子為αj，式（1）改寫為：

對于非線性的數據，SVM采用核函數的方法將其在高維空間內線性化，然后進行預測，公式如下：

式中，K（·）表示核函數，可以選擇線性、多項式、徑向基等多種形式。由于徑向基核函數能夠較好地將非線性數據映射為線性數據，本工作選擇了徑向基核函數：

訓練獲得SVM回歸模型后，預測程序在CPU為2.8 G、內存為2 G的計算機上運行時，能夠在1.0 s的時間內給出模型的預測結果，計算速度快，符合裂解爐控制模型計算速度的要求。

2 實驗部分

2.1 實驗裝置

根據建立反應模型的需要，搭建了裂解反應實驗裝置，如圖1所示。油品經天平稱重后由泵打入預熱爐進行預熱，蒸汽經天平稱重后由泵打入經過預熱的油品中，混合后進入裂解反應的核心區——爐膛。裂解反應爐膛采用電加熱雙面輻射，多程耐高溫的Cr25Ni20爐管垂直懸掛于爐膛中央。油品經裂解反應后進入急冷器迅速降溫，而后依次通過水冷罐和冰冷罐，裂解液相產品冷卻下來，裂解氣相產品則經過緩沖瓶和取樣后由濕式流量計計量進入后處理系統。

圖1 裂解反應實驗裝置Fig.1 The flowchart of the experimental furnace.

2.2 實驗方案

樣本采集了16種石腦油熱裂解的試驗數據。石腦油試樣中，密度（20 ℃）最大的為0.74 g/cm3，最小的為0.66 g/cm3。根據所選工藝參數和物性參數，對較寬范圍內的各參數進行實驗，利采用正交設計，共進行了16種石腦油的342次裂解實驗。模型部分輸入參數的實驗范圍見表1。

2.3 實驗數據

經多次試驗后，得到了三百余條實驗數據作為模型建立的樣本數據。部分數據見表2。

表1 模型部分輸入參數的實驗范圍Table 1 The range of input data of the model

表2 部分石腦油裂解的實驗數據Table 2 Partial data of naphtha cracking in lab

3 結果與討論

3.1 模型評估

模型建立完成后，利用SVM模型按照預測樣本的輸入參數進行預測，結果如表3和圖2所示，預測結果給出了24種裂解產物中較重要的5種，分別是氫氣、甲烷、乙烯、丙烯及丁二烯。從表3可看出，預測結果與樣本數據基本相符，相對誤差基本在5%以下。從圖2可看出，樣本數據與預測數據的數據點基本落在對角線附近，表明SVM模型預測的結果是可靠的，與實際數據相符。

表3 樣本數據和SVM模型的預測數據Table 3 Experimental data and predicted data of SVM model

圖2 樣本數據與SVM預測數據的比較Fig.2 Correlation between the predicted data of SVM model and experimental data.

3.2 模型應用

SVM裂解反應模型建立完成后，對其進行了實際應用，對工業裂解爐進行預測并與實際工業數據進行了對比，結果見表4和圖3。圖3中的數據點幾乎在對角線附近，可以看出SVM模型的預測結果能夠與工業數據很好地吻合，偏差小于5%，能夠用于工業裂解爐的模擬。

圖4為SVM模型的預測數據和工業數據隨裂解溫度的變化趨勢。從圖4可看出，模型預測數據隨COT的變化趨勢與工業實際結果基本一致，表明模型能夠用于工業實際過程的優化控制。

表4 SVM預測數據與工業數據的比較Table 4 Comparison between predicted data and industrial data

圖3 工業數據與SVM預測數據的比較Fig.3 Comparison between the predicted data and industrial data.

圖4 裂解產物分布隨COT的變化Fig.4 Effect of COT on the product profile.

4 結論

1）利用實驗室樣本數據建立了石腦油的SVM預測模型，模型的輸入參數包括石腦油的物性參數和裂解工藝參數共16個，輸出結果為24種裂解產物收率。從預測樣本與預測結果的比較可看出，經過樣本訓練的模型的預測結果與實驗數據基本相符。

2）模型的預測結果與工業數據基本相符，偏差小于5%；模型預測的裂解產物分布隨工藝參數的變化趨勢與工業數據基本相符，建立的SVM預測模型能用于裂解產物收率的預測、裂解爐優化控制等實際問題中。

符 號 說 明

［1］ 趙巖，何小榮，邱彤，等. 乙烯熱裂解爐模擬平臺的開發及應用［J］.計算機與應用化學，2006，23（11）：1065-1068.

［2］ 張利軍，張永剛，王國清. 石腦油裂解反應模型研究及應用進展［J］.化工進展，2010，29（8）：1411-1417.

［3］ 段向軍，朱躍，陳乾偉. 新型神經模糊系統及其在乙烯裂解爐建模中的應用［J］.石油化工自動化，2007，36（7）：699-704.

［4］ 王艷芳. 探究支持向量機算法在化學化工中的應用［J］.當代化工，2014，43（9）：1850-1855.

［5］ 王國清，杜志國，張利軍，等. 應用BP神經網絡預測石腦油熱裂解產物收率［J］.石油化工，2007，36（1）：39-41.

［6］ 黃一俞. 乙烯裂解爐過程建模與操作優化［D］.北京：北京化工大學，2005.

［7］ 王清江，凌澤濟，雷向欣. 采用支持向量機實現烯烴裂解料優化選擇［J］.上海化工，2012，37（11）：13-17.

［8］ 陳貴華，王昕，王振雷，等. 基于模糊核聚類的乙烯裂解深度DE-LSSVM多模型建模［J］.化工學報，2012，63（6）：1790-1796.

［9］ 劉佳，邵誠，朱理. 基于遷移學習工況劃分的裂解爐收率PSO-LS-SVM建模［J］.化工學報，2016，67（5）：1982-1988.

［10］ Vapnik V. The nature of statistical learning theory［M］.New York：Springer，1995：244-257.

［11］ David V，Sanchez A. Advanced support vector machines and kernel method［J］.Neurocomputing，2003，55（1）：5-20.

［12］ 田盛豐，黃厚寬. 回歸型支持向量機的簡化算法［J］.軟件學報，2002，13（6）：1169-1172.

［13］ 劉江華，程君實，陳佳品. 支持向量機訓練算法綜述［J］.信息與控制，2002，31（1）：45-50.

［14］ 陶卿，曹進得，孫德敏. 基于支持向量機分類的回歸方法［J］.軟件學報，2002，13（5）：1024-1028.

（編輯 王 萍）

Modeling of steam cracking of naphtha by SVM

Zhang Lijun，Wang Guoqing
（Sinopec Beijing Research Institute of Chemical Industry，Beijing 100013，China）

Selection of commonly used industrial naphtha properties and process parameters as 16 input parameters，with 24 kinds of pyrolysis product yields as results，the support vector machine(SVM) model of regression was established for naphtha thermal cracking. The training samples are trained to obtain the prediction model；the prediction results and prediction samples of the model are compared. The prediction results of the model are roughly consistent with the experimental data. The industrial cracking furnace is predicted by SVM model and compared with the actual industrial data. The model predictions are roughly consistent with the industrial data，and the deviation is less than 5%. The model can be used for optimization control of cracking furnace.

naphtha；support vector machine；thermal cracking；model

10.3969/j.issn.1000-8144.2017.08.011

1000-8144（2017）08-1022-06

TQ 221.2

A

2017-04-07；［修改稿日期］2017-06-22。

張利軍（1976—），男，河南省濟源市人，博士，高級工程師，電話 010-59202725，電郵 zhanglj.bjhy@sinopec.com。