基于免疫算法的聚烯烴分子量分布去卷積分析

石 杰, 田 洲, 錢 鋒

(華東理工大學 化工過程先進控制和優化技術教育部重點實驗室, 上海 200237)

1 前 言

在多活性位Ziegler-Natta 催化劑的作用下，由于每一個活性位性質不同使得生成的聚烯烴具有較寬的分子量分布[1-2](molecular weight distribution，MWD)，而聚合物的性能，如韌性、硬度、彈性等與MWD有著密切的關系。工業生產中，需要調控聚合物的MWD 來生產不同性能的聚合物。

凝膠滲透色譜法(gel permeation chromatography，GPC)可以準確分析聚合物的MWD、平均分子量和多分散指數(polymer dispersity index，PDI)。將GPC 測得的MWD 數據去卷積成多個Flory 分布曲線，可以有效確定催化劑活性位個數、每個活性位的質量分數以及聚合物微觀結構信息。目前，有大量方法用于MWD 去卷積，如非線性最小二乘法[3]、Levenberg-Marquardt 方法[4](L-M)、廣義梯度下降法[5](generalized reduced gradient，GRG2)以及一些商用軟件(Peakfit[6]、Microsoft Excel Solver[7])等。但是這些傳統非線性優化算法需要提供精確的初始值，若初始值偏離全局最優解，算法易陷入局部最優。隨著智能優化算法的發展，將智能算法應用到MWD 去卷積中可以克服傳統優化算法的不足。NANTHAPOOLSUB 等[5]使用遺傳算法將MWD 與共聚組成分布(copolymer composition distribution，CCD)同時去卷積分析，對比GRG2 算法，發現使用GRG2 算法同時對MWD 和CCD 進行分析會導致估計參數與實際值存在較大誤差；SINGH 等[8]使用進化算法對GPC 數據進行去卷積分析估計了催化劑活性位個數；安許鋒等[9]等使用改進飛蛾火焰算法，以數均分子量和重均分子量為目標估計了乙烯聚合過程中的動力學參數。

免疫算法(immune algorithm，IA)是一種新型的仿生智能算法，其根據生物免疫系統原理使得算法具有較強的自組織、自調節和并行性等特點。……