基于改進神經網絡的丙烷回收流程多目標優化

衛浪 蒲紅宇 向輝 田戩 楊冬磊

1.西南石油大學土木工程與測繪學院 2.中國石油天然氣股份有限公司塔里木油田分公司油氣運銷部

丙烷回收的凝液是重要的化工原料，其用途較廣，丙烷回收可提高油氣田開發的經濟和社會效益。直接換熱流程(direct heat exchange process，以下簡稱DHX)，DHX流程由加拿大ESSO公司于1984年開發，并在Judy Creek工廠得到首次應用，丙烷回收率由72%提高到95%[1-2]。在對DHX的工藝參數分析時，較多研究者采用單因素分析法分析DHX工藝參數的影響[3-7]，而DHX流程中涉及的不同參數之間也存在著相互影響，且其對丙烷收率和系統能耗的影響往往是非線性的。在實際生產過程中，流程的設計、設備參數的調試大多依賴于操作人員的經驗，可能導致流程出現收率低、能耗高的問題。為了解決這一問題，本研究利用HYSYS模擬DHX流程，建立了低溫分離器溫度、DHX塔頂溫度、回流罐回流溫度，并采用NSGA-Ⅱ(non-dominated sorting genetic algorithm)算法對丙烷收率和系統能耗的3-12-2型神經網絡模型進行多目標優化，得到最優Pareto前沿，對流程的設計與設備參數調試有一定的指導意義。

1 DHX丙烷回收工藝

典型的DHX工藝流程如圖1所示。原料氣經主冷箱預冷后進入低溫分離器，分離出的液相先用于冷卻原料氣，隨后進入脫乙烷塔中下部，分離出的氣相經膨脹機膨脹端后進入重接觸塔塔底。脫乙烷塔塔頂氣相再由主冷箱冷卻，進入脫乙烷塔塔頂回流罐，回流罐分離出的氣相經降溫節流后進入重接觸塔塔頂，分離出的液相經泵增壓后返回脫乙烷塔塔頂作為脫乙烷塔塔頂回流。重接觸塔分離出氣相經膨脹機壓縮后外輸，分離出的液相經液烴泵增壓后進入脫乙烷塔的中下部。重接觸塔塔頂進料含有摩爾分數為60%～70%的液態乙烷，乙烷氣化制冷降低了重接觸塔塔頂溫度，將逆流而上的氣相中的丙烷及更重烴類組分冷凝下來，提高了丙烷收率。

以某日處理500×104m3的處理廠的實際運行數據建立HYSYS模型，原料氣組分見表1。其中C1與C2的物質的量比為11.35，原料氣進氣壓力為5 MPa，溫度為25 ℃，其他關鍵參數見表2。

表1 原料氣組成%組分摩爾分數組分摩爾分數N22.84n-C40.38CO20.10i-C50.18C186.27n-C50.15C27.60C60.14C31.72C70.30i-C40.32C8+0.00

表2 設備運行參數與HYSYS模擬參數對比設備實際運行數據HYSYS模擬數據溫度/℃壓力/kPa溫度/℃壓力/kPa低溫分離器-42.004 950-424 950膨脹機出口-82.732 100-832 100DHX塔頂部-71.122 050-702 050回流罐頂部-22.652 170-222 170脫乙烷塔塔頂-13.052 200-132 200脫乙烷塔塔底92.622 250902 250

2 收率與系統能耗影響分析

2.1 低溫分離器溫度對收率與能耗的影響

DHX流程本質是冷凝分離，冷凝溫度與壓力是影響回收率的主要因素。各組分的液化率隨溫度的變化如圖2、圖3所示。從圖2和圖3可以看出，降低冷凝溫度、提高冷凝壓力可以提高C3的液化速率，從而提高丙烷收率。隨著冷凝溫度的降低與冷凝壓力的增加，C3的液化速率增大幅度減小，而C1和C2的液化速率明顯增大。冷凝液中存在大量的C2和C1，不僅增加了產品分離的難度，而且還增加了系統能耗。

2.2 重接觸塔溫度對收率與能耗的影響

重接觸塔溫度對收率和能耗的影響見圖4，其溫度變化范圍為-74～-64 ℃。由圖4可以看出，重接觸塔溫度從-64 ℃降到-74 ℃時，收率從90%上升到了93%，而系統能耗從1 540 kW增加到了1 580 kW。

這是由于隨著溫度的降低，進入重接觸塔的氣相輕組分不斷發生液化，使進入重接觸塔塔底部的輕組分含量增加，增加了輕組分的分離難度，導致能耗上升[8-9]。

2.3 回流罐溫度對收率與能耗的影響

回流罐溫度對收率和能耗的影響見圖5。由圖5可以看出，回流罐溫度從-22 ℃下降到-32 ℃時，收率由91%上升到98%，而系統的能耗從1 558 kW上升到了1 658 kW。這是由于回流罐溫度降低，對乙烷的富集作用增強，從而提高了吸收塔低溫汽化制冷效果及收率。

3 GA-BP神經網絡建模

3.1 BP神經網絡

BP(back propagation)神經網絡于1986年由Rumelhart等人提出[10-11]，是一種按誤差逆傳播算法訓練的多層前饋網絡，能以任意精度逼近任何非線性函數，具有良好的非線性關系構建能力[12]。其基本模型結構如圖6所示。BP神經網絡由輸入層、隱含層、輸出層構成，其中X1、X2…Xn為輸入變量，Y1、Y2…Yn為輸出變量，ωij、ai為鏈接輸入層與隱含層的權值與閾值，Vij、bi為鏈接隱含層與輸出層的權值與閾值，f1、f2為隱含層和輸出層的傳輸函數。

則BP神經網絡的輸出為：

Y=f2[Vij·f1(ωij·X-ai)-bj]

(1)

BP神經網絡的本質是利用梯度下降法調節各層神經元之間的權值與閾值，使得BP神經網絡輸出與實際輸出的均方誤差最小，其目標函數為：

(2)

式中：n為訓練樣本；y′i為實際輸出；yi為BP神經網絡輸出。

3.2 遺傳算法優化神經網絡

BP神經網絡的輸出值直接取決于鏈接各層神經元之間權值與閾值，倘若初始的權值與閾值設置不合理，將使得BP神經網絡的收斂速度變緩，甚至陷入局部最優[13-14]。而遺傳算法(genetic algorithm，GA)具有良好的全局搜索能力，它通過選擇、變異、交叉操作對個體進行篩選，保留適應度值好的個體，淘汰適應度差的個體，不斷進化迭代，最終得到最優適應度值個體[15-16]。遺傳算法優化神經網絡是通過GA 來尋找BP神經網絡的最優的初始權值與閾值，使得優化后的BP神經網絡能更好地預測輸出值，其具體步驟如下。

(1) 種群初始化。個體編碼方法為實數編碼，每個個體由各層之間的權值與閾值組成。

(2) 確定適應度函數。適應度函數F為：

(3)

式中：K為適應度函數系數。

(3) 選擇操作。使用輪賭法選擇若干個個體，每個個體被選擇的概率Pi為：

(4)

式中：Fi為第i個個體的適應度值。

(4) 交叉操作。交叉方法采用實數交叉法，第k個染色體ak和第l個染色體al在j的交叉方法如下：

akj=akj(1-b)+aljb

(5)

alj=alj(1-b)+akjb

(6)

式中：b為在區間[0,1]的隨機數。

(5) 變異操作。選取第i個個體的第j個基因在aij進行變異的操作方法如下：

(7)

(6) 計算適應度函數的值。若適應度函數達到最小值，則輸出優化的權值與閾值作為BP神經網絡的初始權值與閾值，若沒有則返回步驟(3)。

(7) 將GA優化過后的BP神經網絡用于對樣本的訓練，得到輸出。

3.3 模型建立及誤差分析

基于上述理論，采集收取該處理廠135組設備運行參數，將其代入HYSYS中模擬，以低溫分離器溫度、重接觸塔塔頂溫度、回流罐回流溫度為輸入，以丙烷收率與系統能耗為輸出，前125組為訓練樣本，后10組為測試樣本建立3-12-2的BP神經網絡。首先對樣本做歸一化處理，使輸入層與輸出層的數據映射到[0,1]之間，訓練結束后再反歸一化，即可得到樣本的實際輸出。遺傳算法的具體相關參數見表3。

表3 遺傳算法參數表種群數目迭代次數交叉概率變異概率1006000.40.05

通過建立的BP神經網絡，得到10個測試樣本的收率與能耗的預測值如圖7、圖8所示。

從圖7與圖8可以看出，兩種神經網絡對收率與能耗的預測值總體趨勢與實際輸出趨勢基本一致，相比之下GA-BP神經網絡的預測值精度更高，說明經過GA改進后的BP神經網絡具有極高的精度，可以用于后續多目標優化的模型。

圖9反映了兩種神經網絡的預測相對誤差。由圖9可以看出，BP神經網絡能耗預測值的相對誤差波動較大，最大的相對誤差為6.02%，預測能力較差，而GA-BP神經網絡對能耗與收率的預測相對誤差均在2%以下。

4 基于NSGA-Ⅱ的多目標優化

4.1 多目標優化及其概念

在實際應用中常遇到需要使多個目標在給定區域上均盡可能最佳的優化問題，該問題被稱為多目標優化問題。多目標優化問題一般由n個決策變量參數、k個目標函數和m個約束條件組成，最優化總目標如下：

max/miny=f(x)=(f1(x),f2(x)…fk(x))

(8)

subiect toe(x)=(e1(x),e2(x)…em(x))≤0

(9)

其中：

(10)

式中：x為決策變量；y為目標向量；X為決策變量x形成的決策空間；Y為目標向量y形成的決策空間。

多目標優化問題在絕大多數情況下各目標可能是相互沖突的，即其中一個目標的改善往往會引起其他目標性能的降低。同時，讓多個目標達到最優通常不可能，這就使得多目標優化問題存在非劣解[17-18]。多目標優化的所有非劣解構成了Pareto最優解集，其對應的多目標值的集合稱為Pareto前沿[19]。

多目標非支配排序遺傳算法NSGA-Ⅱ是2002年Deb等對算法NSGA的改進，它是迄今為止最優秀的多目標進化算法之一[20-21]。NSGA-Ⅱ算法通過快速非支配排序算法和擁擠度比較算子，引入精英保留策略，將父代與子代種群合并，保留了最優秀的所有個體，提高了種群的整體進化水平。本研究將訓練好的BP神經網絡模型的輸出作為NSGA-Ⅱ算法的目標函數，其算法流程如圖10所示。

4.2 結果分析

設置初始種群為100個，迭代次數為200代。利用matlab2018進行計算得到的結果如圖11所示。

由圖11可知，當收率逐漸變好時，系統的能耗也在逐漸上升。這與多目標規劃中在滿足一個目標最優時，其他目標往往可能會受到影響而變差的情況一致。在實際問題中，過多的非劣解無法直接應用，決策者只能選擇其中最滿意的一個非劣解作為最終的解，此時，需要根據決策者自行選擇設備操作參數和產品指標來確定最后的參數[22-23]。

從Pareto解集中選取A、B兩組工況并代回HYSYS中運行，其值見表4。在A工況下，HYSYS中能耗與收率實際模擬值與Pareto中的值相對誤差分別為0.20%、0.01%。在B工況下，HYSYS中能耗與收率實際模擬值與Pareto中的值相對誤差分別為1.30%、0.06%。這表明Pareto解集值是可靠的，并能為丙烷回收流程的設計與參數選取提供一定的指導。

表4 A、B工況下HYSYS模擬值與Pareto解值對比參數HYSYS模擬值Pareto解值相對誤差/%ABABAB低溫分離器溫度/℃-43.13-42.38-43.13-42.3800重接觸塔溫度/℃-70.42-73.98-70.42-73.9800回流罐溫度/℃-24.00-30.13-24.00-30.1300能耗/kW1 649.502 055.001 653.002 082.400.201.30收率/%94.9699.0694.9799.000.010.06

5 結論

通過對DHX流程的關鍵參數分析，基于改進后的BP神經網絡和NSGA-Ⅱ算法尋優可以得到以下結論：

(1) 在原料氣組成一定時，低溫分離器溫度、重接觸塔溫度、回流罐溫度對流程的收率與能耗的影響是非線性的，各個參數之間存在著交互作用。

(2) 經過GA改進過的BP神經網絡對收率與能耗具有高精度的預測能力，與實際的相對誤差均在2%以下。

(3) Pareto解中的值與實際輸出的相對誤差控制在2%以下，說明Pareto解是可靠的，對丙烷回收流程的設計與設備參數選取有一定的指導價值。