采用人工神經網絡方法建立加氫裂化反應體系模型

王天宇，劉忠保，黃明富，李國慶

(1.中海石油煉化有限責任公司惠州煉化分公司，廣東 惠州 516086；2.華南理工大學化學與化工學院；3.中國石油規劃總院)

采用人工神經網絡方法建立加氫裂化反應體系模型

王天宇1，劉忠保2，黃明富3，李國慶2

(1.中海石油煉化有限責任公司惠州煉化分公司，廣東 惠州 516086；2.華南理工大學化學與化工學院；3.中國石油規劃總院)

用BP神經網絡技術建立了某2.80 Mt/a蠟油高壓加氫裂化裝置反應系統模型，該模型可較好地預測原料量、各段反應器進口溫度和冷氫導入量對系統產品分布和各段反應器出口溫度的影響，模型精度較高，溫度預測誤差小于0.1 ℃，并具有較好的再現性及泛化能力，可以用于指導生產操作。

石油餾分 加氫裂化 神經網絡 數據挖掘 預測 建模

加氫裂化是在較高溫度、壓力下，烴分子與氫氣在催化劑表面進行裂解和加氫反應生成較小分子的轉化過程[1]。由于其原料適應性強、輕油收率高、產品質量好，越來越受到重視。截至2012年6月，我國三大石油公司就已投產36套高、中壓加氫裂化(改質)裝置，總加工能力超過50 Mt/a，并還有20余套正在設計和建設中，總加工能力接近40 Mt/a。

生產和技術發展極大地促進了加氫裂化機理研究。其中，基于集總理論(Lumping)的建模研究最引人注目[2-6]，它根據反應體系中各類分子的動力學特性不同，將其劃分成若干個虛擬組分即集總，再視每個集總為單一組分，從而建立起反應體系動力學模型。由于將復雜反應體系抽象為可數的單一集總組分間的反應，故定量研究成為可能。但受制于石油餾分高度復雜，反應機理尚不明了，以及模型參數難于確定等原因，集總理論加氫裂化機理研究盡管取得了很大成就，但仍面臨許多困難，而因帶動了黑箱模型(Black model)和混合模型(Mixed model)的發展。

黑箱模型是無視過程機理，單純用統計學或人工智能的方法仿真其過程輸入、輸出關系的模型[7]。目前在加氫裂化領域應用最多的黑箱模型是BP人工神經網絡(按誤差逆傳播算法訓練的多層前饋型人工神經網絡)[8-10]。由于它能借助樣本數據實現Rn空間到Rm空間的高度非線性映射，且效果可以用足夠的訓練樣本保證，故應用最廣[11-13]。而混合模型則是機理模型和黑箱模型的折中，混合模型示意見圖1[14-15]。

圖1 混合模型示意

事實上，3種模型各有利弊。機理模型致力于過程本質描述，但又不得不借助假設(如集總)，因而誤差大，且有自身尚不能克服的困難(如設備邊界條件的數學描述等)；黑箱模型無視過程機理，相對簡單，但只能針對特定的I/O數據進行分析，因而結論不具外延性；黑箱模型企圖集大成，但結構復雜、收斂困難。

本課題采用BP神經網絡技術建立某蠟油高壓加氫裂化裝置反應體系模型，并探討其預測結果的再現性和泛化能力，以指導生產操作。

1 人工神經網絡模型的建立

圖2是某2.80 Mt/a高壓蠟油加氫裂化裝置反應系統的原則流程示意。由圖2可見，原料經6個串級反應器床層，在催化劑的作用下發生精制和裂化反應，最終得到氣體、LPG(液化氣)、輕石腦油、重石腦油、噴氣燃料、柴油和尾油等產品。

圖2 某加氫裂化反應系統原則流程示意

1.1 人工神經網絡

人工神經網絡是模擬生物大腦神經網絡結構和功能而建立的一種智能運算理論，它包含輸入層、隱藏層(一個或多個)和輸出層(見圖3)，其目的是通過神經元運算，學習輸入輸出數據，使預測值最大限度地與實際值一致(見式1)。人工神經網絡學習的目的是找出隱含在數據背后的規律，對具有同一規律的學習集以外的數據，神經網絡仍具有正確的響應能力，稱為泛化能力[16-17]。

(1)

式中：W是權重矩陣；X是實際輸入值矩陣；Yp是實際值矩陣；Y是預測值矩陣；F是激活函數。

圖3 人工神經網絡結構示意

上層神經元的輸出通過激活函數激活后成為下層神經元的輸入(同層間神經元之間沒有輸入輸出關系)，所以人工神經網絡的學習規則就是：確定合適的W以使輸出誤差最小。

建立工業過程人工神經網絡模型的步驟是：①現場采集研究對象的I/O數據即X和Yp。盡量采集較大操作范圍和較長時間區段內的數據；②數據預處理：原始數據不能直接用于識別，需過濾、篩選，以消除噪聲數據；③確定人工神經網絡結構：由于輸入層節點數和輸出層節點數分別是輸入變量和輸出變量數，因此人工神經網絡的結構實際由隱藏層數和每個隱藏層所包含的節點數所決定；④訓練模型：該過程是人工神經網絡的學習過程，選若干組預處理過的數據，將輸入變量導入輸入層，人工神經網絡會根據輸出值與實際值誤差自動調節權重，從而使誤差最小。本課題使用BP算法進行訓練，并在MATLAB平臺上實現；⑤驗證模型：將剩余數據導入模型輸入層，對比輸出值與實際值誤差，檢測模型精度。

用BP人工神經網絡訓練樣本，隱藏層和輸出層激活函數分別采用S型和簡單線性函數[式(2)]。

f(x)=1/(1+e-x)
f(x)=x

(2)

S型函數連續可微，且f′(x)=f(x)[1-f(x)]。

1.2 模型建立

1.2.1 采集數據 通過對現場數據進行靈敏度分析，決定選取原料流量、第一至第六段反應器進口溫度、第一至第六段急冷氫流量共13個參數作為自變量，研究它們對第一至第六段反應器出口溫度和尾油、柴油、噴氣燃料、重石腦油、輕石腦油、LPG、干氣、低壓分離氣(低分氣)以及總氣體流量共15因變量的影響。對圖2所示系統進行現場數據采集，每天從DCS(分散控制系統)采集一次，連續105天，共計采集正常運行數據105組。數據統計情況如表1所示。

影響裝置反應器出口溫度及產品分布的因素還包括原料的餾程、氫氣純度、催化劑活性。但數據采集期間，裝置運行穩定，原料的餾程基本保持不變，因此不作為研究對象。循環氫純度維持在89.91%～90.15%，新氫純度維持在99.94%～99.96%，循環氫、新氫純度變化很小，為簡化模型，不選用氫氣純度作為研究對象。該套裝置使用的催化劑更換周期是兩年，數據采集期間催化劑均處于裝置運行初期，催化劑性能差異較小，因此不考慮催化劑活性對研究對象的影響。

1.2.2 確定隱藏層節點數 為了簡化，人工神經網絡一般采用單隱藏層結構，故13個輸入變量和15個輸出變量條件下，網絡的結構由隱藏層節點數確定。本課題用試驗法尋找最佳隱藏層節點數。為此將表1數據隨機分成兩組，一組含70組數據用于訓練，一組含35組數據用于檢驗。分別取隱藏層節點數從8到12，隱藏層節點數對模型誤差的影響結果見表2。由表2可見，隱藏層節點數等于10時，輸出變量預測值與測量值的誤差最小，且左右偏離越大，誤差越大。所以本模型選定隱藏層節點數為10。

表1 現場采集的反應系統輸入輸出數據的統計情況

注： uin，m和uout，m分別是輸入、輸出變量之中位數與平均數的比值，看得出來它們均接近1，說明各變量在取值范圍內分布較均勻，利于模型分析。

表2 隱藏層節點數對模型誤差的影響

表2中，輸出值平均誤差和平均方差分別用式(3)和式(4)計算。

(3)

(4)

圖4是擬將采用的人工神經網絡結構示意。

1.3 模型運算

將表1中任意70組數據導入圖4模型，經訓練得到權重W，然后將剩余的35組數據的輸入變量導入，計算其輸出。表3給出了相應的誤差統計。

表3 ANN計算輸出與實際測量的誤差統計

表3中，相對誤差(μ)和標準差(?)分別采用式(5)～(7)計算。

(5)

(6)

(7)

從表3可以看出，該模型對反應器出口溫度和重質產品如尾油、柴油、噴氣燃料、重石腦油的產量預測十分精確，最大相對誤差只有0.087%(噴氣燃料量)。尤其是溫度，平均相對誤差只有0.02%，折成絕對誤差不到0.1 ℃。但對輕質產品如輕石腦油、LPG、干氣、低分氣產量預測要差一些，其中干氣的相對誤差最大，為3.316%。

圖5～圖7給出了幾個輸出變量及誤差的分布(圖中，橫坐標71到105表示用于驗證模型的35組數據的編號)。

圖5 一段反應器出口溫度及誤差分布■—測量值； ●—預測值。 圖6、圖7同

圖6 噴氣燃料產量及誤差分布

圖7 總氣體產量及誤差分布

1.4 模型的重復性

ANN計算受制于訓練樣本的選擇、隱藏層節點數的多少和迭代次數等，因此模型的穩定性判斷十分必要，其重復性是重要的參考之一。重復性是指同一操作者在相同實驗條件下多次測定結果之間的分散程度，相對標準偏差越小則分散程度越低，表明重復性好[18-19]。表4給出了迭代次數同為240次時的3次計算結果(如果在240次前收斂，則將該組數據剔除)，從表4可以看出，3次測試之間的誤差很小，標準偏差最大為2.912%，表明模型的重復性好。

表4 本ANN模型3次計算結果的相對標準偏差統計

1.5 模型的泛化能力

本質上講ANN是數據依賴的，即所采集的研究對象的I/O數據不同，描述該對象的模型將不同。但實際生產過程又是無法復制的，因此從指導和優化操作的角度講，無不希望ANN模型具有一定的泛化能力，能用于預測和指導數據采集期后的操作(當然生產方案無變化，且操作穩定)。

下面以一段進口溫度改變為例進行考察。一段進口溫度間接反映了反應進料加熱爐的出口溫度，是實際生產過程的關鍵調節手段之一，其溫度高低直接影響反應系統的溫度分布和產品分布。為此，重新采集100組數據(見表5)，并從中選取兩組一段進口溫度偏差較大，但其余輸入偏差較小的數據，即表5中的第一行數據，一段進口溫度由360.35 ℃提高到369.65 ℃，對應尾油量由36.07 t/h降到33.56 t/h，噴氣燃料量由48.12 t/h增加到55.59 t/h，與用原模型計算得到的預測值基本符合。說明該模型對一段進口溫度變化具有較強的泛化能力。

表5 現場采集的另外100組反應系統輸入、輸出數據的模擬情況

2 結 論

(1) 使用BP-ANN技術對某2.80 Mt/a六段蠟油高壓加氫裂化裝置反應系統進行了建模。模型以原料量、各段反應器進口溫度和冷氫流量共計13個變量為輸入變量，以系統產品分布和各段反應出口溫度共計15個變量為輸出變量。并采用單隱藏層結構，使用連續可微的S型函數作為隱藏層激活函數，簡單線性函數作為輸出層激活函數。

(2) 從現場采集了105組I/O數據，并將其隨機分成兩組，一組含70組數據用于訓練，一組含35組數據用于檢驗。計算發現隱藏層節點數為10時，輸出變量預測值與測量值的誤差最小，故確定本模型的隱藏層節點數為10。

(3) 計算結果表明本ANN模型的精度較高，對反應器出口溫度和重質產品如尾油、柴油、噴氣燃料、重石腦油的產量預測十分精確，最大相對偏差只有0.087%(噴氣燃料量)。尤其是溫度，絕對誤差不到0.1 ℃(機理模型偏差一般在5 ℃左右)。但對輕質產品如輕石腦油、LPG、干氣、低分氣的產量預測較差，干氣產量預測誤差最大，相對誤差為3.316%(但機理模型的誤差通常在10%～20%)。

(4) 檢驗結果表明本模型具有較好的再現性，迭代次數同為240次時的三次計算結果的平均相對誤差最大只有0.483%，表明模型在訓練完成后導入輸入變量，能夠對輸出變量做出較穩定的預測。

(5) 不同一段進口溫度的計算結果表明本模型具有較好的泛化能力，能夠用于預測和指導數據采集期后的操作。

[1] 林世雄.石油煉制工程[M].北京：石油工業出版社，2000：389-391

[2] Pacheco M A，Dassori C G.Hydrocracking：An improved kinetic model and reactor modeling[J].Chem Eng Commun，2002，189(12)：1684-1704

[3] Bhutani N，Ray A K，Rangaiah G P.Modeling，simulation，and multi-objective optimization of an industrial hydrocracking unit[J].Ind Eng Chem Res，2006，45(4)：1354-1372

[4] Martens，G G，Marin G B.Kinetics and hydrocracking based on structural classes：Model development and application[J].AIChE J，2001，47(7)：1607-1622

[5] 彭沖，方向晨，韓龍年，等.減壓蠟油加氫裂化六集總動力學模型研究[J].石油煉制與化工，2014，45(1)：35-41

[6] Han Longnian，Fang Xiangchen，Peng Chong，et al.Application of discrete lumped kinetic modeling on vacuum gas oil hydrocracking[J].China Petroleum Processing and Petrochemical Technology，2013，15(2)：67-73

[7] 夏勇.加氫裂化反應器建模與優化研究[D].廣州：華南理工大學，2012

[8] Liu Yibin，Tu Yongshan，Li Chunyi，et al.Catalytic cracking and PSO-RBF neural network model of FCC cycle oil[J].China Petroleum Processing and Petrochemical Technology，2013，15(4)：63-69

[9] 費衛峰，婁慧茹，陳青，等.人工神經網絡用于化工中非線性模型建立的研究[J].石油規劃設計，1997(1)：30-32

[10]張忠洋，李澤欽，李宇龍，等.GA輔助BP神經網絡預測催化裂化裝置汽油產率[J].石油煉制與化工，2014，45(7)：91-96

[11]楊建剛.人工神經網絡實用教程[M].杭州：浙江大學出版社，2001：47-50

[12]Zhang Lei，Liu Zongkuan，Gu Zhaolin.Simulation of low-temperature coal tar hydrocracking in supercritical gasoline[J].China Petroleum Processing and Petrochemical Technology，2013，15(4)：70-76

[13]常凱.基于神經網絡的數據挖掘分類算法比較和分析研究[D].合肥：安徽大學，2014

[14]李曉光.混合建模方法研究及其在化工過程中的應用[D].北京：北京化工大學，2008

[15]王寅.化工過程混合建模問題研究[D].杭州：浙江大學，2001

[16]Haykin S.Neural Networks：A Comprehensive Foundation[M].2nd edition.Prentice Hall，1999：23-29

[17]王迎春，耿長福.一種具有較強泛化能力的神經網絡模型研究與應用[J].航天控制，2002(2)：6-11，17

[18]賈紹華，李靜靜.測量系統重復性與再現性在產品質量管理中的應用[J].大連交通大學學報，2010(5)：96-100

[19]曹生現.冷卻水污垢對策評價與預測方法及裝置研究[D].保定：華北電力大學(河北)，2009

MODELING VGO HYDROCRACKING PROCESS BY BP-ANN TECHNOLOGY

Wang Tianyu1， Liu Zhongbao2， Huang Mingfu3， Li Guoqing2

(1. Huizhou Petrochemical Company， CNOOC， Huizhou， Guangdong 516086；2. Chemistry and Chemical Engineering School， South China University of Technology；3. Planning and Engineering Institute of China National Petroleum Corporation)

The highly complexity of petroleum hydrocracking process results in the application of artificial neural network (ANN) in this field. In this paper a BP-ANN was used to model a VGO hydrocracking unit with a capacity of 2.8 Mt/a. The effect of feed rate， inlet temperatures of reactors， and amount of quench H2used on product distribution and outlet temperatures of reactors were well predicted by the model. The results show that the model has a higher accuracy， especially in the prediction of temperatures (less than 0.1 ℃) and a good ability of reproducibility and generalization ability and that the model is able to guide practical operation.

petroleum fraction； hydrocracking； neural network； data mining； prediction； modeling

2014-12-15； 修改稿收到日期： 2015-04-01。

王天宇，主要從事煉油技術和節能管理工作。

王天宇，E-mail：wangty2@cnooc.com.cn。