基于回歸分析模型的乙醇偶合制備C4烯烴工藝研究

康佳 吳海燕 袁亞碩

摘要：C4烯烴廣泛應用于化工產品及醫藥的生產，乙醇是生產制備C4烯烴的原料。本文首先探究每種催化劑組合下乙醇轉化率、C4烯烴的選擇性與溫度的關系，進一步運用線性/非線性回歸的知識，建立回歸模型來擬合其之間的關系，分析350℃時某一催化劑條件下不同時間中的測試結果。然后，探究不同催化劑組合以及溫度對于乙醇轉化率和C4烯烴選擇性大小的影響，對四個變量之間的關系進行分析。最后建立多重對應分析模型，將四種數據能夠從視覺上直接展示出來。

關鍵詞：多重對應分析模型;SPSS;回歸分析

1 引言

C4烯烴廣泛應用于化工產品及醫藥的生產，乙醇是生產制備C4烯烴的原料。在制備的過程中，催化劑的組合（即：Co負載量、Co/Sio2和HAP裝料比、乙醇濃度的組合）與溫度對C4烯烴的選擇性和C4烯烴收率將產生影響。因此通過對催化劑組合設計，探索乙醇催化偶合制備C4烯烴的工藝條件具有非常重要的意義和價值。

本文主要通過采用SPSS軟件對乙醇轉化率、催化劑、溫度等數據進行相關分析，通過SPSS中的曲線估計功能找出擬合度最高的曲線，從而得出溫度與乙醇轉化率，以及溫度與C4烯烴選擇性之間的關系。然后將催化劑三種成分拆分開，即探究三種成分和溫度與乙醇轉化率、選擇性大小的關系，四個自變量，兩個因變量，又因為成分一又分為濃度和含量兩個指標，因此繼續拆分，轉化為五個自變量，兩個因變量。進而使用多重對應分析功能，分析并解決問題。

2 數據預處理

通過spss軟件對現有的附件數據進行預處理，導出該數據對應的散點圖，進而確定是否成線性對應關系。分析出每個變量之間對應的關系，基本確定溫度與乙醇轉化率、以及溫度與C4烯烴選擇性之間的關系，從而根據基本確定的關系設計出基礎分析模型。

通過散點圖可知：兩者線性關系并不明顯，但能明顯看出隨著溫度的增大，乙醇轉化率相應增大，進而使用SPSS軟件的曲線估計功能得出較為準確的函數關系。由圖2可知，其中A1，，A2，B7催化劑組合呈明顯的非線性關系，在不考慮實驗誤差的前提下，聯系化學知識可初步判斷為催化劑組合對 C4烯烴選擇性存在一個最適區間，當超過這一區間時，會導致選擇性下降，這一發現，對于設置合適的溫度來獲得盡可能多的C4烯烴具有重大的意義。

3 模型建立與求解

3.1 回歸模型之探究溫度的影響

在每種催化劑組合下分別以乙醇轉化率、C4烯烴選擇性為因變量，溫度為自變量，運用SPSS做出散點圖（如圖一），可得出變量之間的非線性關系。

建立非線性回歸模型：

通過SPSS運用曲線估計功能擬合得出該題結果如下表1所示：

分析解讀：由上圖中的函數關系式即可得出乙醇轉化率、C4烯烴的選擇性與溫度的關系，且R2均大于0.9，擬合度較高，創建的函數模型能夠較好的反映乙醇轉化率、C4烯烴的選擇性與溫度的關系。

3.2 回歸模型之探究時間的影響

通過Excel軟件制作時間與六種產物之間的關系，分別以時間為橫坐標，六種產物為縱坐標，作出相應的散點圖，添加趨勢線擬合自變量與因變量之間的函數關系。 結果如下所示：

3.3 多重對應分析模型的建立與求解

將催化劑拆分為Co/Sio2的含量以及濃度、HAP、乙醇三部分，在工具欄中選擇降維的最優標度接著在新的對話框中將“七個變量“選入分析變量的方框中，將所有變量進行聯合類別圖分析，得出類別點的聯合圖以及區分測量成分正態化圖表，通過解讀結果視圖分析問題。視圖如下：

解讀方式：

1.在類別點的聯合圖中擬建立以（0，0）為原點的坐標軸。根據對應分析的原理，同一個變量的不同類型，如果代表它們的點散落在原點的相似方位且互相之間的距離較近，可以說明這些類別的性質相近。不同變量的不同類別，如果代表它們的散點散落在原點的相似方位且距離較近，可以說明這些類別之間具有相關關系。

2.對于區分測量圖，以原點（0，0）出發的幾條直線，兩條線之間為銳角則具有相關關系，且距離最近的兩個類別之間相關關系較大。

解讀結果：

由上圖可知，溫度對于C4烯烴的選擇性以及乙醇轉化率的影響最大，催化劑對于二者的影響不及溫度。此外，成分1.1——Co/SiO2的含量對于乙醇轉化率以及C4烯烴的選擇性影響相對于其他成分的影響較大。

4 模型評價與推廣

本文采用SPSS軟件對相關數據進行相關分析，建立相應的回歸模型。因相應的溫度與乙醇轉化率、以及溫度與C4烯烴選擇性之間的關系未知，利用曲線估算功能找出擬合度最高的曲線，從而得出溫度與乙醇轉化率，以及溫度與C4烯烴選擇性之間的關系。該模型與回歸模型結合能具有很好的解釋性，并且可以通過散點圖進行基礎數據的分析，在模型成立的情況下對自變量和因變量進行分析，使用多重比較分析，以及相應的數據處理，進而可以迅速的得出實驗的分析結果。運用降維的思想來簡化列聯表的結構，可以更加簡單直觀地呈現數據。然而該模型所呈現的多為圖形，需要仔細分析，不加注意可能得到與正確結果相差甚遠的結論。且難以很好地表達高度復雜的數據。

該模型能夠高效、準確的對現有數據進行分析，在未來可以推廣到化學實驗研究的實驗分析中，可以更加快捷的分析出實驗中的最優解。

參考文獻

[1] 勾建偉，錢耀飛，汪澤晴.分位數回歸模型在高維金融數據分析中的方法和應用[J]. 知識經濟，2019（5）：39-41. DOI：10.3969/j.issn.1007-3825.2019.05.024.

[2]呂紹沛. 乙醇偶合制備丁醇及C_4烯烴[D].大連理工大學，2018.

[3] Vasile Hulea.Toward Platform Chemicals from Bio-Based Ethylene： Heterogeneous Catalysts and Processes[J].ACS catalysis，2018，8（4）.3263～3279.doi：10.1021/acscatal.7b04294.

[4] 朱永杰.基于廣義線性模型的混合屬性數據聚類方法[J]. 科學技術與工程，2021，21（4）：1448-1453.?DOI：10.3969/j.issn.1671-1815.2021.04.029.

作者簡介：康佳 2000年11月 女 漢族 河南安陽 本科 學生 動物科學專業（大數據方向）