基于Keras的神經網絡技術在柴油超深度加氫精制中的應用

胡元沖，秦 康，李明豐，田 旺，張 樂，王軼凡，陳文斌

(中國石化石油化工科學研究院，北京 100083)

柴油是國民經濟發展中重要的燃油資源之一，在各國燃料結構中均占有較高份額。然而在使用過程中，柴油中含有的硫、氮、芳烴等物質會對環境造成不利影響。通過加氫精制降低柴油中的硫、氮、芳烴含量，改善油品質量，是實現油品清潔化的有效手段[1-2]。

對柴油加氫精制過程進行建模模擬，可以為試驗方案設計、操作參數優化、放大過程研究等提供重要的測算基礎。目前，應用于柴油加氫精制過程的模型可以分為集總動力學模型[3-7]和數據驅動模型[8-10]。集總動力學模型基于特定的催化劑，在一定的原料性質和反應條件變化范圍內，經過合理的假設和適當的簡化得到[11]。此類模型雖有助于反應機理研究和催化劑開發，但模型求解與參數評估過程十分復雜，假設和簡化也帶來了一定程度的精度損失。

數據驅動模型弱化了繁雜的反應機理，建模方式更加靈活、時效性更強，可同時考察多維度、多因素數據對結果的影響，從而為復雜反應體系的模擬提供一種切實可行的解決方案。人工神經網絡作為數據驅動模型的一種，具有強大的自適應、自學習和非線性映射能力，在化工過程控制領域獲得了廣泛應用[12-13]。

已有研究者使用數據驅動模型對柴油加氫過程進行模擬，但適用于超深度加氫精制及不同催化劑的模型尚無報道。本研究利用高通量催化劑評價數據，采用基于Keras的神經網絡技術對柴油超深度加氫過程進行模擬，全面考慮原料性質、反應條件、催化劑等因素的影響，分別建立加氫脫硫、加氫脫氮、芳烴飽和模型，實現柴油產物中硫質量分數(WS)、氮質量分數(WN)、單環芳烴質量分數(WMA)、多環芳烴質量分數(WPA)的精準預測。結合國Ⅵ車用柴油質量標準，使用所建模型對工藝條件進行優化，確定適用于不同催化劑的工藝操作區間。

1 實 驗

1.1 原料和催化劑

選用直餾柴油和催化裂化柴油的混合原料為研究對象，為拓寬模型的適用范圍，考察5類不同的原料油體系，其性質如表1所示。試驗所用催化劑為中國石化石油化工科學研究院研制的NiMo/Al2O3，CoMo/Al2O3，NiMoW/Al2O3共3種柴油加氫催化劑。

表1 柴油加氫試驗所用原料油性質

1.2 試驗裝置

試驗所用裝置為高通量固定床評價裝置，該裝置反應器由16個內徑為2 mm、高度為560 mm的相同滴流床反應器組成，可以在相同的條件(溫度、壓力、進料流量、氫氣流量)下進行加氫反應。催化劑裝在反應器中部的恒溫區，反應器上下兩端填充惰性填料，分別用于分配流體和支撐催化劑床層。每種催化劑分別裝在4個平行反應器中，裝填體積比為1∶2∶3∶4。各反應器溫度偏差小于±1 ℃，壓力偏差小于±100 kPa，流量偏差小于±5%，平行性滿足試驗要求。

1.3 反應條件和試驗過程

試驗考察的工藝條件范圍為：溫度300～360 ℃，壓力4.4～7.4 MPa，體積空速0.75～12 h-1，氫油體積比200～800。此外，將催化劑粒度設定為16～20目、20～30目、40～60目、60～80目和80～100目5個分布區間，以考察內擴散對反應過程的影響。

催化劑在CS2質量分數2%的煤油中進行硫化(250 ℃下硫化6 h，320 ℃下硫化4 h)，在硫質量濃度為685 mg/L的加氫柴油中進行鈍化(325 ℃下鈍化24 h)，隨后進行柴油加氫評價試驗，每個試驗條件穩定72 h后取樣。試驗過程中，通過微量柱塞泵泵入原料油，與氫氣充分混合后進入反應器。反應后的產物進入樣品瓶進行氣液分離，產生的H2S、NH3和少量輕質烴類氣體等通過汽提進入尾氣吸收裝置后排空，液體則保留在樣品瓶中，離線分析精制柴油中的硫、氮及芳烴含量。

2 試驗結果分析

通過試驗得到120組NiMo/Al2O3評價數據、103組CoMo/Al2O3評價數據、111組NiMoW/Al2O3評價數據，共334組數據樣本。將樣本數據按照WS由低到高進行排序，產物中硫、氮含量分布以及芳烴含量分布如圖1和圖2所示。

圖1 產物中硫、氮含量分布

圖2 產物中芳烴含量分布

從樣本數據分布區間來看，WS分布在1.5～5 500 μg/g，WN分布在0.003～330 μg/g。當WN低于0.5 μg/g時，存在較大的分析誤差，因此該區間內的數據均按0.5 μg/g處理。WS、WN分布區間跨度較大，以對數坐標表示其分布特征，WS分布相對連續、均勻，而WN分布較為離散，與WS分布規律并未表現出明顯的一致性。WMA、WPA的分布相對集中，且變化范圍較小。

為了分析產物性質與原料性質和反應條件的相關性、篩選建模變量，采用Pearson相關系數法進行相關性檢驗，數學表達式見式(1)。

(1)

|r|越接近1表明線性相關性越強。在計算Pearson相關系數的同時還需要進行顯著性檢驗，若相關系數的假設檢驗P值不大于5%，則認為兩個變量存在顯著相關性；若P值大于5%，則認為兩個變量不存在顯著相關性[14]。相關性分析結果如表2所示。由表2可知，WS，WN，WMA，WPA與原料性質的相關性并不一致，WS與原料性質不存在顯著相關性，WN，WMA，WPA與原料性質分別存在顯著的弱相關性、極強相關性和中等相關性。分析產物性質與反應條件的相關性可知，反應條件對柴油加氫過程的影響程度由強到弱排序為：溫度>空速>氫油比>壓力。

表2 產物性質與原料性質及反應條件的相關性分析結果(r)

考慮到WS，WN，WMA，WPA的分布特征以及與自變量相關性的差異，分別建立加氫脫硫、加氫脫氮、芳烴飽和的數據驅動模型，以增強模型對不同反應規律的認知與學習能力，提高模型預測精度。

3 柴油超深度加氫精制模型

3.1 神經網絡及算法結構

本研究建立的神經網絡是一種信號正向傳播、誤差反向傳播的多層前饋型神經網絡[15]，由輸入層、隱含層(一個或多個)、輸出層組成，每層包含有多個神經元，其計算流程如圖3所示[16]。對于單個神經元，輸入特征(x)與權重(w)求積再與偏置(b)加和后作為激活函數(f)的輸入，經激活函數映射得到輸出(y)，其計算過程如圖4所示，并可整理為式(2)。本研究使用Keras深度學習程序庫，用Python語言實現神經網絡的建立、訓練和預測。

圖3 基于Keras的神經網絡計算框圖

圖4 神經元信息傳導過程

y=f(x1×w1+x2×w2+…b1)

(2)

3.2 模型建立

選擇WS，WN，WMA，WPA分別作為加氫脫硫模型、加氫脫氮模型和芳烴飽和模型的輸出變量。影響柴油加氫精制的因素主要表現在原料性質、反應條件和催化劑3個方面。考慮到不同原料的差異性以及加氫脫硫、加氫脫氮、芳烴飽和反應之間的相互抑制作用，將原料的密度、硫含量、氮含量、芳烴含量作為各模型原料性質的輸入參數。將工藝條件中的溫度、壓力、空速、氫油比作為各模型反應條件的輸入參數。為了考察內擴散對反應的影響，將粒徑作為催化劑的輸入參數，催化劑類型也作為輸入特征，從而實現同時對3種催化劑建模。

3種模型均設置4層網絡結構，為避免出現過擬合現象，第一隱含層dropout設為0.1，即模型訓練過程中隨機放棄該層10%的神經元。隱含層激活函數為雙曲正切函數tanh，如式(3)所示；輸出層激活函數為線性函數linear，如式(4)所示。優化器選擇學習率自適應算法adam，損失函數為均方誤差MSE，模型評估指標為平均絕對誤差MAE，隨機初始化權重與偏置，迭代次數為2 000次，隱含層節點個數經優化后確定的模型結構如圖5～圖7所示。

圖5 加氫脫硫模型結構(12-21-21-1)

圖6 加氫脫氮模型結構(12-17-17-1)

圖7 芳烴飽和模型結構(12-20-20-2)

(3)

linear(x)=x

(4)

3.3 模型訓練與預測

對催化劑牌號進行獨熱編碼，以將其轉化為計算機能夠識別的數字。神經網絡算法以梯度下降為核心，數據無量綱化可以加快求解速度、避免取值范圍過大的特征對距離計算造成影響[17]。使用StandardScaler函數[式(5)]對輸入數據進行無量綱標準化處理，使其轉化成均值為0、方差為1的標準正態分布。對輸出數據取對數，在不改變原始數據性質和相關關系的情況下，縮小數據的絕對數值，便于模型求解計算。

(5)

式中：x為原始數據；x*為標準化數據；μ為原始數據的均值；σ為原始數據的標準差。

將試驗得到的334組數據樣本，按照70∶15∶15的比例劃分訓練集、驗證集和測試集。基于上述神經網絡結構，分別對3種模型進行訓練，無量鋼化迭代過程(以加氫脫硫模型為例)如圖8所示。由圖8可見，隨著迭代次數的增加，訓練集和驗證集的MAE和MSE迅速減小，訓練過程表現出了良好的收斂性和準確性，表明所建模型結構合理。

圖8 加氫脫硫模型訓練過程中訓練集和驗證集MAE和MSE變化

用訓練好的3種模型分別對各自的訓練集和驗證集數據進行預測，并對模型計算值取反對數，結果如圖9～圖12所示。采用R2來評估模型對各數據集的擬合優度，R2越接近1說明自變量對因變量的解釋程度越高，模型預測效果越好。

圖9 加氫脫硫模型對WS的預測結果

圖10 加氫脫氮模型對WN的預測結果

圖11 芳烴飽和模型對WMA的預測結果

圖12 芳烴飽和模型對WPA的預測結果

(6)

由圖9可見，對于加氫脫硫模型，預測值均在對角線附近，訓練集和驗證集的R2均在0.98以上，表明所建模型對WS具有良好的擬合效果。

由圖10可見，對于加氫脫氮模型，當WN小于10 μg/g時，模型預測值略偏離對角線，相對誤差有所增加。從圖1中WN的分布來看，WN在該區間內分布較為分散，且WN較低時分析誤差更加顯著，在一定程度上削弱了模型對該區間反應規律的學習。此外，數據預處理時將WN小于0.5 μg/g的值按照0.5 μg/g處理，實際上把容易脫氮的反應規律以較難脫除的規律形式傳遞給了模型，造成模型在WN為0.5 μg/g附近時訓練得到的更多是較難脫氮的反應規律，因此當WN為0.5 μg/g時，模型的預測誤差明顯偏大。但訓練集和驗證集的R2仍在0.98以上，表明加氫脫氮模型整體上仍表現出優異的預測性能。

由圖11和圖12可見，對于芳烴飽和模型，WMA及WPA訓練集和驗證集的R2均在0.97以上，芳烴飽和模型對WMA的擬合效果略優于WPA。雖然WPA的分布特征與WMA具有良好的一致性，但數據密集程度遠低于WMA，WMA集中分布在20%～25%，而WPA集中分布于3%～15%，分布區間相比WMA更寬，且含量更低，增加了擬合難度，因此R2略有降低，但這并不影響芳烴飽和模型的整體性能，預測值仍均勻分布在對角線兩側。

3.4 模型泛化能力考察

泛化能力體現了模型對未知數據的預測性能[18]。訓練集直接參與了模型的訓練過程，驗證集是模型訓練過程中單獨留出的樣本，用于調整模型的超參數和對模型預測能力進行初步評估，這兩個數據集不能用來評估模型的泛化能力。測試集數據沒有參與機器學習和調參過程，因此選用測試集數據來進一步考察模型的泛化能力。3種模型對各測試集的預測效果如圖13～圖16所示。

圖13 加氫脫硫模型測試集預測效果

圖14 加氫脫氮模型測試集預測效果

圖15 芳烴飽和模型測試集WMA預測效果

圖16 芳烴飽和模型測試集WPA預測效果

在建模回歸中，MAE和平均相對誤差(MRE)反映了模型預測誤差的大小，其絕對值越小模型預測精度越高，各模型測試集MAE和MRE統計結果如表3和表4所示。由于WS分布范圍過寬，對加氫脫硫模型的測試集誤差進行了分區間考察。由表3可見：MAE隨著WS的增大而增大，但MRE隨著WS的增大而減小，各區間的MRE均在10%以下；加氫脫氮模型測試集的MAE在3 μg/g以下，MRE在10%以下；芳烴飽和模型測試集中WMA和WPA的MAE均在1%以下，MRE在6%以下。雖然不同模型存在個別預測誤差偏大的點，但從測試集整體的預測效果和誤差統計結果來看，加氫脫硫、加氫脫氮、芳烴飽和模型均具有良好的預測精度和較強的泛化能力，可以為柴油加氫過程的工藝優化提供指導。

表3 加氫脫硫、加氫脫氮模型測試集誤差統計結果

表4 芳烴飽和模型測試集誤差統計結果

4 工藝條件優化

國Ⅵ車用柴油質量標準中，對WS和WPA進行了明確規定，WS不超過10 μg/g，WPA不超過7%[19]，嚴格的質量標準對工藝條件提出了更高的要求。使用所建加氫脫硫模型和芳烴飽和模型同時對3種催化劑的工藝條件進行優化。

溫度和空速是影響柴油加氫精制過程最重要的工藝參數，本研究對這兩個參數進行優化。選用A油為原料，控制壓力為6.4 MPa，氫油體積比為300，催化劑粒度設為40～60目，溫度區間設為300～360 ℃，體積空速區間設為1～6 h-1，不同催化劑對應的WS及WPA隨溫度和空速的變化分別如圖17～圖22所示。

圖17 加氫脫硫模型的工藝條件優化結果(NiMo/Al2O3)

圖18 芳烴飽和模型的工藝條件優化結果(NiMo/Al2O3)

圖19 加氫脫硫模型的工藝條件優化結果(CoMo/Al2O3)

圖20 芳烴飽和模型的工藝條件優化結果(CoMo/Al2O3)

圖21 加氫脫硫模型的工藝條件優化結果(NiMoW/Al2O3)

圖22 芳烴飽和模型的工藝條件優化結果(NiMoW/Al2O3)

分別以WS為10 μg/g和WPA為7%在工藝條件優化圖中作等值線，國Ⅵ標準下3種催化劑的脫硫工藝條件比芳烴飽和工藝條件更為苛刻。由圖17～圖22可見，對于NiMo/Al2O3催化劑，為了實現WS在10 μg/g以下，應該控制溫度大于328 ℃，體積空速小于2.8 h-1；WPA在7%以下時，溫度應該控制在314 ℃以上，體積空速應小于4.1 h-1。為了同時滿足WS和WPA的質量要求，使用NiMo/Al2O3催化劑時，溫度應大于328 ℃，體積空速應小于2.8 h-1。同理，對CoMo/Al2O3和NiMoW/Al2O3催化劑也進行同樣的優化，使用CoMo/Al2O3催化劑時溫度應大于338 ℃，體積空速應小于2.1 h-1；使用NiMoW/Al2O3催化劑時溫度應大于327 ℃，體積空速應小于3.2 h-1。對比不同催化劑的工藝優化區間，在設計的工藝條件范圍內，3種催化劑的超深度加氫精制性能由高到低的順序為：NiMoW/Al2O3>NiMo/Al2O3> CoMo/Al2O3。

5 結 論

(1)采用基于Keras的神經網絡技術對柴油超深度加氫精制過程進行模擬，考察了原料性質、反應條件、催化劑參數對柴油加氫過程的影響，建立了同時適用于3種催化劑的加氫脫硫、加氫脫氮和芳烴飽和模型。實現了WS，WN，WMA，WPA的預測，各模型訓練集和驗證集的R2均在0.97以上。

(2)使用測試集數據對模型的泛化能力進行了考察，模型對WS，WN預測的MRE在10%以內，對WMA和WPA預測的MRE分別在3%和6%以內，所建模型泛化能力較強，具有良好的預測性能，可以為柴油超深度加氫精制過程的工藝優化提供依據。

(3)為滿足國Ⅵ車用柴油質量標準，在壓力6.4 MPa、氫油體積比300的條件下，同時對3種催化劑的操作溫度和空速進行了優化，確定了不同催化劑的操作區間。使用NiMo/Al2O3催化劑時溫度應大于328 ℃，體積空速應小于2.8 h-1；使用CoMo/Al2O3催化劑時溫度應大于338 ℃，體積空速應小于2.1 h-1；使用NiMoW/Al2O3催化劑時溫度應大于327 ℃，體積空速應小于3.2 h-1。