基于BP神經網絡的重油催化裂解模型

王志宏，龔劍洪，魏曉麗，首 時

(中國石化石油化工科學研究院，北京 100083)

目前，我國煉油產能嚴重過剩，油品結構不盡合理，而化工產能(尤其是高端產品產能)不足，煉油企業的結構轉型升級是實現我國煉化行業綠色、低碳、可持續發展的必然選擇。催化裂解技術作為油品與化工品的橋梁必將成為煉化一體化的核心部分。

為了指導催化裂解裝置操作和工藝優化，研究人員進行了大量的試驗研究，并建立了催化裂解集總動力學模型，描述重油催化裂解的內在化學反應規律，以期預測各種工藝參數和原油組成變化對應的產物產率變化[1]。但是，催化裂解過程的原料組成與反應體系非常復雜，依靠集總理論建立的機理模型基于一些理想化的假設，不能完全模擬出工業過程中的不確定性和干擾因素，而這些不確定性和干擾因素會降低機理模型的預測精度。

神經網絡作為智能建模方法的代表，區別于以往的機理模型，具有強大的非線性擬合能力、并行信息處理能力和自學習能力，在催化裂解過程的動力學模擬中得到越來越多的應用。神經網絡可以用于生產過程中工藝參數控制、數據收集與篩查、結果預測等方面[2]，并表現出了巨大的潛力。Serrano等[3]利用神經網絡預測生物質在流化床反應器中氣化生成焦油的過程，發現預測結果準確性良好；崔陽等[4]發現BP神經網絡對煤催化氣化過程的預測效果優于回歸公式方法；Keyvanloo等[5]以神經網絡結合遺傳算法預測石腦油熱裂解的主要產品收率，提高了預測精度。……